قطعه بندی معنایی ساختمان های شهری مبتنی بر معماری شبکه عصبی پیچشی عمیق

در این مقاله با هدف استخراج ساختمان از تصاویر با وضوح زیاد، از یک معماری شبکه عصبی پیچشی عمیق از نوع رمزگذار-رمزگشا استفاده شده است . در این مدل پیشنهادی ، لایه های پیچشی با نرخهای کمتری در مقایسه با ماژول اصلی ، اعمال شده و از پیچش گسترده به جای پیچش استاندارد استفاده گردید تا هدف دستیابی به قطعه بندی معنایی قدرتمندتر عوارض ساختمانی با اندازه کوچک و بزرگ محقق گردد. قابلیت اجرایی مدل پیشنهادی در این تحقیق با استفاده از مجموعه داده WHU ارزیابی گردید و نتایج بدست آمده نشان داد که استفاده از نرخ های آتروس کمتر و تغییر آنها به ۴، ۸ و ۱۲به طور قابل توجهی عملکرد قطعه بندی را در این مجموعه داده بهبود بخشیده است .

کلیدواژه ها:

شبکه عصبی پیچشی عمیق ، معماری رمزگذار-رمزگشا ، آتروس ، قطعه بندی معنایی