نوع مقاله : مقاله پژوهشی
نویسندگان
گروه مهندسی نقشه برداری، دانشگاه شهید بهشتی، تهران، ایران
چکیده
برای استخراج پوشش و کاربری اراضی از تصاویر سنجش از دور، میتوان از تکنیکهای طبقهبندی تصاویر بهره برد. با توجه به پتانسیل بالای روشهای یادگیری عمیق در طبقه بندی تصاویر، این روشها میتوانند به طور موثری در طبقهبندی پوشش و کاربری اراضی استفاده شوند. با این حال، استفاده از آنها با چالشهایی نیز همراه میباشد. یکی از مشکلات اصلی استفاده از آنها، بیش برازش مدل می باشد. از دیگر معضلات اصلی این روشها میتوان نیاز به تعداد زیاد داده در مرحله آموزش آنها اشاره نمود. همچنین ناپدید شدن و انفجار گرادیان و انتخاب معماری مناسب از دیگر مشکلات و چالشهای این روشها برای استخراج پوشش و کاربری اراضی از تصاویر سنجش از دور میباشند. هدف اصلی این پژوهش استفاده از تکنیکهای مختلف برای رفع این چالشها و رسیدن به دقتهای بالا در انجام طبقهبندی پوشش و کاربری اراضی میباشد. معماری استفاده شده در این پژوهش برای طبقه بندی مجموعه داده EuroSat، مدل ResNet18 بوده است. در ابتدا از این معماری به همراه تکنیک توقف زودهنگام برای انجام طبقه بندی استفاده شد و مدل به دقت کلی 91.19 درصد و ضریب کاپای 0.9018 رسید. سپس به همین مدل تکنیک داده افزایی اضافه شد و مدل به دقت کلی 91.78 درصد و ضریب کاپای 0.9085 دست یافت. در مرحله آخر تکنیک حذف تصادفی با نرخ 0.5، برش گرادیان با حدآستانه 0.1 نیز به مدل قبلی اضافه شد و مدل به دقت کلی 93.11 درصد و ضریب کاپای 0.9233 رسید که نسبت به دو مرحله قبلی به دقت های بهتری رسیده است.
موضوعات
عنوان مقاله [English]
Object detection and classification with Sentinel-2 imagery using ResNet
نویسندگان [English]
- Pooya Heidari
- Asghar Milan
- Alireza Gharagozlou
Shahid Beheshti University, Tehran, Iran