ارزیابی عملکرد دو مدل یادگیری عمیق در استخراج عوارض ساختمانی از تصاویر ماهوار های با مدل رقومی سطح
- سال انتشار: 1402
- محل انتشار: بیست و هفتمین همایش ملی مهندسی نقشه برداری و اطلاعات مکانی (ژئوماتیک ۱۴۰۲)
- کد COI اختصاصی: NCEGIT27_012
- زبان مقاله: فارسی
- تعداد مشاهده: 285
نویسندگان
دانشکده مهندسی نقشه برداری دانشگاه تبریز
دانشکده مهندسی نقشه برداری دانشگاه تبریز
دانشکده مهندسی نقشه برداری دانشگاه تبریز
چکیده
ساختمان ها یکی از مهم تر ین عوارض دست ساز بشر هستند کهشناسایی و مدیریت آن ها کاربردهای فراوانی دارد. تصاویرسنجش ازدور و مدل رقومی سطح، منابع مناس بی برای استخراج وتولید نقشه ساختمان ها هستند. با توجه به پیشرفت یادگیری عمیقدر دهه اخیر، این روش برای استخراج خودکار عوارض ساختمانی ازتصاویر سنجش ازدور کارآمد است. در این تحقیق از دو مدل یادگیریعمیق شامل U-Net و MA-FCN برای تشخیص عوارض ساختمانی از تصاویر سنجش ازدور با بهره گیری از مدل رقومی سطح استفاده شدهاست. نتایج حاصل از این تحقیق نشان می دهد که استفاده از مدلرقومی سطح در کنار تصاویر سه باندی، نتایج استخراج ساختمان ها رادر این روش ها بهبود داده و در تعداد اپک آموزشی کمتر نسبت بهتصاویر سه باندی به نتایج بهتری دست می یابد . استفاده از مدل رقومی سطح در مدل های U-Net و MA-FCN به ترتیب ۷% و ۶% نتایج را بهبود داده است.کلیدواژه ها
یادگیری عمیق، ساختمان، U-Net، مدل رقومی سطحمقالات مرتبط جدید
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.