بررسی روشهای یادگیری عمیق در استخراج خودکار ساختمانها با استفاده از تصاویر قدرت تفکیک بالا

ساخت وسازها همواره در محیط های حومه شهری در حال گسترش می باشند و استخراج ساختمانها، نقش بسیار مهمی را در مدیریت و برنامه ریزی شهری و همچنین به روزرسانی پایگاه داده مکانی دارند. در سالهای اخیر حضور ماهوارههای سنجش ازدوری باعث شده است این فرآیند و به روزرسانی پایگاه داده با سرعت بالاتری انجام گیرد. اما همچنان به علت ویژگی های طیفی و هندسی متفاوت ساختمانها این امر کاری دشوار می باشد. از طرفی مدلهای یادگیری عمیق و تصاویر قدرت تفکیک بالا از محبوبیت بالایی در شناسایی خودکار این عارضه -ها برخوردار هستند. ازاین رو در این مطالعه معماری های مختلف یادگیری عمیق +, PAN, PSPNet,)۳(UNet ++ ,UNet ,DeepLabV،بر روی سه باند RGB تصاویر با قدرت تفکیک بالا گوگل ارث مورد بررسی قرار گرفته اند. نتایج نشان دادند معماری UNet ++ با دقت ۹۱/۰، recall برابر ۸۷/۰ و F-score برابر ۸۹/۰ در کلاس ساختمان، دارای بالاترین دقت بوده است .

کلیدواژه ها:

استخراج ساختمان ، یادگیری عمیق ، تصاویر گوگل .