مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

مقاله مقاله نشریه

مشخصات مقاله

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

9
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

رویکرد یادگیری عمیق مبتنی بر بلوک های تخصصی کانولوشن در استخراج جاده های شهری

نویسندگان

   | صدور گواهی نویسنده 

صفحات

 صفحه شروع 83 | صفحه پایان 94

چکیده

 استخراج جاده ها از تصاویر سنجش از دور با وضوح زیاد در طیف گسترده ای از کاربردها مانند تهیه و به هنگام رسانی نقشه راه­ها مورد استفاده قرار گرفته است. به دلیل طول زیاد و عرض کم و همچنین سایه های ناشی از پوشش گیاهی و ساختمان ها, تشخیص جاده ها با چالش همراه است. وجود تنوع در جاده­ های موجود در یک منطقه شهری اعم از مجاورت معابر دارای طول کوتاه و بزرگراه ­ها و آزادراه ­های طویل باعث بروز مشکلاتی در تشخیص و طبقه ­بندی خودکار تمامی انواع معابر گردیده است. لذا, با هدف بهبود قابلیت اطمینان و دقت استخراج جاده ها, یک مدل شبکه عصبی در این مقاله پیشنهاد شده است که به قطعه بندی دقیق پیکسلی دست می یابد. شبکه پیشنهادی به طور مستقیم تصویر ورودی را پردازش می کند و از چهار بلوک کانولوشن تخصصی در طول نمونه برداری کاهشی استفاده می کند که با رویکرد نمونه برداری با عمق کم برای تولید یک ماسک باینری کلاس جاده تکمیل می شود. با توجه به اینکه شبکه های قطعه ­بندی معنایی مرسوم عمیق بوده و دارای پارامترهای قابل آموزش زیادی هستند, شبکه پیشنهادی در این تحقیق از نمونه برداری با عمق کم استفاده می کند که به کاهش عمق شبکه کمک می کند و در نتیجه کاهش تعداد پارامترها را به همراه دارد. قابلیت اجرایی مدل پیشنهادی در این تحقیق با استفاده از مجموعه داده ماساچوست ارزیابی گردید و نتایج ارزیابی به وضوح عملکرد برتر مدل پیشنهادی را در مقایسه با سایر شبکه های عصبی با پارامترهای کمتر ِنشان می دهد. مدل پیشنهادی توانست شاخص­های IOU و-F-Score را در مجموعه داده ماساچوست در مقایسه با سایر شبکه­ های عصبی نظیر DeeplabV3+, U-Net و D-LinkNet به ترتیب به میزان 1/98 و 3/03 بهبود بخشد.

چندرسانه ای

  • ثبت نشده است.

    • استنادها

  • ثبت نشده است.

    • ارجاعات

  • ثبت نشده است.

    • استناددهی

    مقالات مرتبط نشریه ای

  • ثبت نشده است.

    • مقالات مرتبط همایشی

  • ثبت نشده است.

    • طرح های مرتبط

  • ثبت نشده است.

    • کارگاه های پیشنهادی






    بازگشت به بالا
    telegram sharing button
    whatsapp sharing button
    linkedin sharing button
    twitter sharing button
    email sharing button
    email sharing button
    email sharing button
    sharethis sharing button