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:

29
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

0
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

استخراج پوشش و کاربری اراضی بر اساس روش های یادگیری عمیق با استفاده از تصاویر ماهواره ای

صفحات

 صفحه شروع 119 | صفحه پایان 133

چکیده

 به دلیل رشد جمعیت شهری, رشد شهرها و شهرنشینی, جمع آوری اطلاعات پوشش و کاربری اراضی ضروری است. کاربردهای این داده ها شامل حفاظت محیط زیست, برنامه ریزی شهری, برنامه ریزی زیرساخت های شهری و برنامه ریزی استراتژیک برای تضمین رشد پایدار مناطق شهری است. منبع اصلی جمع آوری داده های پوشش و کاربری اراضی در حال حاضر تصاویر سنجش از دور است. اطلاعات مربوط به پوشش و کاربری اراضی را می توان از تصاویر سنجش از دور با استفاده از تکنیک های طبقه بندی تصاویر بازیابی نمود. از نظر دقت طبقه بندی, تکنیک های یادگیری عمیق اخیراً از سایر روش های طبقه بندی پوشش و کاربری اراضی بهتر عمل کرده اند. شبکه های عصبی کانولوشنال (CNN) که در این زمینه بسیار محبوب هستند, یکی از معماری های مهم در طبقه بندی با استفاده از یادگیری عمیق هستند که اغلب در طبقه بندی پوشش و کاربری اراضی استفاده می شوند. اخیراً, یکی از تکنیک های شبکه عصبی کانولوشنال به نام  ResNet, در کاربردهای سنجش از دور به ویژه برای طبقه بندی پوشش و کاربری اراضی استفاده شده اند. مدل های ResNet یک انتخاب مؤثر در طبقه بندی پوشش و کاربری اراضی هستند زیرا می توانند مشکل ناپدید شدن گرادیان را مدیریت کنند. هدف اصلی این مطالعه, ارزیابی عملکرد روش های مقداردهی اولیه وزنی Glorot Uniform و Random Uniform در معماری های ResNet50, ResNet101 و ResNet152 برای استخراج پوشش و کاربری اراضی مجموعه داده EuroSat است. برای ارزیابی دقت نتایج ازF1-Score وزندار, شاخص های IoU, دقت کلی و ضریب کاپا استفاده شد. مقادیر متناظر ResNet101 برای این شاخص ها به ترتیب برابر 0.8869, 0.7951, 0.8871 و 0.8743 بودند. این نتایج نشان می دهد که از نظر دقت طبقه بندی, ResNet101 از روش های ResNet50 و ResNet152  عملکرد بهتری داشته است.

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