استخراج خودکار مدل حاشیه ساختمان ها با استفاده از یادگیری انتقالی عمیق

در تحقیق های اخیر با تکیه بر روش های یادگیری عمیق، اتصالات و خطوط به طور مستقیم از روی مجموعه دادههای مقیاس بزرگ دارای برچسب دستی یادگیری می شوند. در این روش ها، شبکه های عصبی کانولوشنی مناسب برای هر یک از خطوط و اتصالات را بطور جداگانه طراحی کرده و سپس خروجی این شبکه ها را با هم ترکیب و یک وایرفریم کامل (تمامی خطوط مستقیم برجسته و اتصالات یک صحنه) را بدست می آورند. در این تحقیق سعی شده تا بدون استفاده از دادههای عمق و با کمک شبکه های عصبی عمیق، ایده استخراج حاشیه بیرونی ساختمانها، با روش استخراج خطوط و اتصالات بصورت وایرفریم از روی تصاویر هوایی مناطق شهری، پیاده سازی شود. برای انجام این کار به جای ایجاد مجموعه های آموزشی بزرگ و آموزش هر مدل از ابتدا، از روش یادگیری انتقالی انتها به انتها استفاده شده است. برای اینکار مدلی با دو شبکه متفاوت برای شناسایی اتصالات و خطوط انتخاب گردیده است که از قبل با ۵۰۰۰ داده برچسب دار شامل تصاویر نماهای داخلی و بیرونی محیطهای دست ساز بشر آموزش دیده است. هم چنین یک مجموعه داده آزمایشی شامل ۴۱ تصویر هوایی از شهرهای مختلف، همراه با حاشیه نویسی مربوط به وایرفریم ساختمان ها ایجاد شد و روی مدل های از قبل آموزش دیده مورد آزمایش قرار گرفت.

کلیدواژه ها:

شبکه های عصبی کانولوشنی ، یادگیری انتقالی ، تصاویر هوایی ، وایرفریم ، حاشیه ساختمانها