تشخیص جادههای درون شهری مبتنی بر روش یادگیری عمیق و تصاویر ماهواره ای

به روز رسانی نقشه های جاده ای موجود به جهت رشد و توسعه شهری، امکان برنامه ریزی برای کنترل ترافیک ، تصمیم گیری در شرایط بحران و...الزامی است . مشکلاتی مانند شباهت رنگ و بافت در مناطق شهری، به ویژه در تشخیص جاده های موجود در مجاورت ساختمان ها، همچنان چالش برانگیز است . به منظور افزایش دقت و کارایی در تشخیص و طبقه بندی جاده ها، محققان به طراحی و استفاده از روش های خودکار مبتنی بر پردازش تصاویر سنجش از دور و یادگیری عمیق پرداخته اند. هدف اصلی این مقاله ، ارائه یک شبکه عمیق کانولوشنال رمزگذار-رمزگشای پیشرفته با نام +۳UNet به منظور قطعه بندی و استخراج جاده از تصاویر سنجش از دور است . مدل UNet۳+ به عنوان یک رویکرد کلیدی انتخاب شده و در شرایط مختلف محیطی ارزیابی شده است . ترکیب ماژول های توجه مکانی و کانال و ماژول تجمیع هرمی به طور قابل ملاحظه ای بر عملکرد مدل تاثیر گذاشته و معیار IoU را به میزان ۳/۱۵و معیار F۱ Score را به میزان ۹/۱۲ در مناطق شهری نامتراکم افزایش داده است . این بهبودها نشان دهنده توانایی بالای شبکه در تشخیص جاده های اصلی و کاهش خطاهای تشخیصی در شناسایی جاده های فرعی است .

کلیدواژه ها:

تشخیص جاده ، داده های سنجش از دور ، شبکه عصبی ، یادگیری عمیق