نسترن آقائی - Shahid Chamran University of Ahvaz
غلامرضا اکبری زاده - Shahid Chamran University of Ahvaz
عبدالنبی کوثریان - Shahid Chamran University of Ahvaz

بخش­بندی معنایی عمیق تصاویر به­ عنوان راه حلی یکپارچه در آنالیز تصاویر مبتنی بر طبقه­ بندی تک­ تک پیکسل­ های تصویر بوده و بخصوص در کاربرد­هایی مانند شناسایی نشت نفت در آب­های آزاد که در آن مرز اشیا و نواحی به ­طور مشخص قابل تفکیک نیستند، مورد توجه قرار می­ گیرد. به منظور کنترل هرچه بیشتر آلودگی و مخاطرات زیست محیطی ناشی از نشت نفت، ارائه روش­هایی با دقت بیشتر از اهمیت ویژه­ ای برخوردار است. تصاویر رادار روزنه مصنوعی دراین زمینه بسیار پرکاربرد بوده و با چالش­ هایی از جمله نویز اسپکل و نیز تشخیص نواحی لکه ­نفتی و شبه­ لکه نفتی مواجه هستند. بکارگیری روش­های نوین یادگیری عمیق می ­تواند در کاهش دخالت سلیقه انسانی در تصمیم ­گیری کمک کند. در این مقاله از روش مخلوط کردن کانال­های ویژگی در شبکه ­های کانولوشنی عمیق، بلوک­های آتروس و بخش­های رمزگشایی استفاده شده است که علاوه بر کاهش پیچیدگی ­های محاسباتی، نتایج بخش ­بندی لکه­ های نفتی به ­مراتب بهتر از سایر روش­ها می­ دهد. معماری شبکه ارائه شده مبتنی بر معماری vgg۱۶  می ­باشد. دقت کلی، صحت، همپوشانی بر واحد، IoU وزن­دار و امتیاز BF  به­ عنوان پارامترهای ارزیابی در نظر گرفته شده ­اند. در روش ارائه شده، دقت بخش­ بندی لکه ­های نفتی و شبه ­لکه ­های نفتی به ­ترتیب به میزان ۸/۷% و ۳/۷% نسبت به روش­های پیشین بهبود یافته است.

Channel shuffle, ShuffleNet, deep learning, semantic segmentation, oil spill detection, synthetic aperture radar images, مخلوط کردن کانال, شافل نت, یادگیری عمیق, بخش بندی معنایی, شناسایی لکه های نفتی, تصاویر رادار روزنه مصنوعی