کاربرد یادگیری انتقالی در ژئوماتیک با استفاده از مدل های آموزش دیده بر داده های تصویربرداری پزشکی

یادگیری انتقالی به عنوان یکی از کارآمدترین راهکارها برای جبران کمبود داده های دارای برچسب، در دهه ی اخیر جایگاه ویژه ای در حوزه ی پردازش تصویر پیدا کرده است]۱[. پژوهش حاضر، یک مطالعه ی مروری است که با بررسی سی ودو مقاله در دو حوزه ی تصویربرداری پزشکی و سنجش ازدور، به ارزیابی امکان به کارگیری مدل های آموزش دیده بر داده های پزشکی در کاربردهای مرتبط با علوم مکانی و ژئوماتیک می پردازد. در بخش مربوط به تصویربرداری پزشکی، مدل های پیش آموزش دیده ی مبتنی بر شبکه های عصبی مانند «رزنت»، «دنس نت»، «یو-نت»، «وی آی تی» و همچنین چارچوب های خودنظارتی نظیر «مد۳دی» و «سیم سی ال آر» مورد بررسی قرار گرفتند[۲-۵]. نتایج نشان می دهد این مدل ها قادرند ویژگی های ساختاری و بافتی عمیقی را از داده های تصویری همچون ام آر آی و سی تی اسکن استخراج کنند که این توانایی، امکان انتقال دانش به حوزه های تصویری دیگر از جمله داده های ماهواره ای و مکانی را فراهم می سازد]۶[. در حوزه ی سنجش ازدور و ژئوماتیک نیز روش هایی مانند «تطبیق دامنه»، «هم ترازی چندسطحی» و «یادگیری نیمه نظارتی» از جمله مدل های «ای ام دی ای»، «سی اس دی ای» و «سای کادا» بررسی شدند[۷-۹] که در بهبود دقت طبقه بندی مناظر، تفکیک عوارض زمینی و استخراج ساختمان ها نقش موثری داشته اند. جمع بندی نتایج مطالعات نشان می دهد که بهره گیری از مدل های آموزش دیده بر داده های پزشکی می تواند میانگین دقت شناسایی و استخراج عوارض فضایی را بین سه تا هفت درصد افزایش دهد[۸-۹]. افزون بر این، ترکیب رویکردهای خودنظارتی و روش های چنددامنه ای زمینه را برای ایجاد مدل های پایه ی میان دامنه ای فراهم می کند که توانایی درک بهتر روابط میان داده های گوناگون را دارند[۱۰-۱۴] هم پوشانی ساختاری و بافتی میان تصاویر پزشکی و تصاویر سنجش ازدور نشان می دهد که می توان از دانش حاصل از یکی از این حوزه ها برای بهبود کارایی دیگری بهره برد [۱۶]. این هم افزایی می تواند مبنایی برای توسعه ی مدل های هوشمند مکانی با توان تحلیل بالا در حوزه های شهری و محیط زیستی باشد.

کلیدواژه ها:

یادگیری انتقالی ، سنجش ازدور ، تصویربرداری پزشکی ، تطبیق دامنه ، یادگیری خودنظارتی