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

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

video

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

sound

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

نسخه انگلیسی

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

بازدید:

471
Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

480
Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

طبقه بندی اطلاعات سنجنده های مرئی-حرارتی هوایی مبتنی بر مدل های یادگیری ژرف

صفحات

 صفحه شروع 221 | صفحه پایان 237

چکیده

 با رشد و توسعه سیستم های تصویربرداری هوابرد و یا فضابرد در حوزه سنجش از دور, ادغام اطلاعات سنجنده های چندگانه به منظور دستیابی به دانش تکمیلی نسبت به عوارض و به پیرو آن طبقه بندی دقیق داده های سنجش از دور مورد توجه بسیاری از محققین این حوزه و مهندسی علوم زمین قرار گرفته است. از سوی دیگر, مدل های یادگیری ژرف با افزایش سطح اتوماسیون و همچنین بهبود دقت طبقه بندی تصاویر با بهره گیری از روش های استخراج ویژگی ژرف, تبدیل به یکی از موضوعات پرمخاطب در حوزه پردازش تصاویر شده است. در این تحقیق, روشی نوین به منظور طبقه بندی دقیق اطلاعات سنجنده های چندگانه مبتنی بر مدل های یادگیری ژرف ارائه شده است. در این زمینه, ویژگی های ژرف با در نظرگیری بعد طیفی-مکانی داده های ورودی استخراج, و سپس یک طبقه بندی کننده فازی جهت آموزش این ویژگی ها و همچنین بهینه سازی مدل یادگیری ژرف استفاده می گردد. پس از طبقه بندی داده های ورودی به صورت جداگانه, با بکارگیری برخی قوانین در سطح تصمیمات اتخاذ شده, اطلاعات به دست آمده با یکدیگر ادغام شده و در نهایت, پس پردازشی مبتنی بر وابستگی های متقابل بین عوارض در قالب اطلاعات زمینه خارجی به منظور افزایش دقت نتایج طبقه بندی مورد استفاده قرار می گیرد. به منظور ارزیابی توان اجرایی روش پیشنهادی در این تحقیق, مجموعه ای از آزمون های مقایسه ای بر داده های منتشر شده توسط کمیته فنی تلفیق داده ها و آنالیز تصاویر جامعه بین المللی سنجش از دور و مهندسی علوم زمین در سال 2014 میلادی, صورت گرفته است. در مقایسه روش های طبقه بندی مبتنی بر مدل های یادگیری ژرف با طبقه بندی کننده های مرسوم, دقت کلی طبقه بندی اطلاعات سنجنده ی مرئی %3. 91, فراحرارتی %6. 65 و چندگانه %2. 81 بهبود یافته است. به علاوه, در نظرگیری وابستگی های متقابل بین عوارض در قالب اطلاعات زمینه خارجی و یا قوانین پس پردازشی به منظور کاهش و یا حذف خطاهای مرسوم روش های طبقه بندی پیکسل مبنا, موجب بهبود دقت کلی %2. 71 می گردد. همچنین, در مقایسه روش پیشنهادی طبقه بندی اطلاعات سنجنده های چندگانه با طبقه بندی کننده های اطلاعات سنجنده ی مرئی و یا فراحرارتی, دقت کلی طبقه بندی %7. 57 و %22. 22 بهبود یافته است.

استنادها

  • ثبت نشده است.
  • ارجاعات

  • ثبت نشده است.
  • استناددهی

    APA: کپی

    عبدی، قاسم، و صمدزادگان، فرهاد. (1397). طبقه بندی اطلاعات سنجنده های مرئی-حرارتی هوایی مبتنی بر مدل های یادگیری ژرف. علوم و فنون نقشه برداری، 8(1 )، 221-237. SID. https://sid.ir/paper/249340/fa

    Vancouver: کپی

    عبدی قاسم، صمدزادگان فرهاد. طبقه بندی اطلاعات سنجنده های مرئی-حرارتی هوایی مبتنی بر مدل های یادگیری ژرف. علوم و فنون نقشه برداری[Internet]. 1397؛8(1 ):221-237. Available from: https://sid.ir/paper/249340/fa

    IEEE: کپی

    قاسم عبدی، و فرهاد صمدزادگان، “طبقه بندی اطلاعات سنجنده های مرئی-حرارتی هوایی مبتنی بر مدل های یادگیری ژرف،” علوم و فنون نقشه برداری، vol. 8، no. 1 ، pp. 221–237، 1397، [Online]. Available: https://sid.ir/paper/249340/fa

    مقالات مرتبط نشریه ای

    مقالات مرتبط همایشی

  • ثبت نشده است.
  • طرح های مرتبط

  • ثبت نشده است.
  • کارگاه های پیشنهادی






    بازگشت به بالا