استخراج ساختمان از تصاویر هوایی با ترکیب معماری رمزگذار-رمزگشا UNet و ماژول تجمیع هرم فضایی متخلخل (ASPP)

استخراج ساختمان ها از تصاویر ماهواره ای یا هوایی همواره به عنوان یکی از چشم اندازهای کاربردی در حوزه فتوگرامتری و سنجش از دور مطرح بوده است. از کاربردهای استخراج ساختمان ها از تصاویر هوایی و ماهواره ای می توان به پایش تغییرات اراضی شهری، برنامه ریزی و توسعه در راستای هوشمندسازی شهری، تخمین جمعیت، مدیریت بحران، به روزرسانی نقشه های مبنایی و غیره اشاره نمود. در این پژوهش ترکیبی از مدل یادگیری عمیق UNet با ساختار رمزگذار-رمزگشا و ماژول تجمیع هرم فضایی متخلخل (ASPP) ارائه می گردد. مدل پیشنهادی از یک ماژول تجمیع هرم فضایی متخلخل برای اخذ و جمع آوری اطلاعات زمینه ای چندمقیاسه و همچنین قابلیت شبکه های رمزگذار-رمزگشا برای بازیابی اطلاعات از دست رفته بهره می برد. در این مقاله، با استفاده از مجموعه داده هوایی ساختمانی WHU و پیاده سازی دو معماری شبکه های عصبی عمیق UNet و Deeplabv۳، عملکرد روش پیشنهادی در قطعه بندی معنایی ساختمان ها مورد ارزیابی قرار گرفته که براساس نتایج به دست آمده، مدل UNet-ASPP پیشنهادی با ۹۸/۹۰ درصد صحت کلی، ۹۴/۵۰ درصد میانگین IoU و ۹۶/۲۵ درصد میانگین شاخص مرزی (MeanBFScore)، عملکرد بهتری را در مقایسه با شبکه های عصبی UNet و Deeplabv۳ به ترتیب با مقادیر صحت کلی ۹۸/۸۵ و ۹۸/۵۶ درصد، ۹۴/۴۵ و ۹۳/۱۰ درصد MeanIoU، ۹۶/۲۰ و ۹۵/۲۰ درصد MeanBFScore ارائه نموده است.

کلیدواژه ها:

استخراج ساختمان ، رمزگذار-رمزگشا ، ماژول تجمیع هرم فضایی متخلخل (ASPP) ، یادگیری عمیق ، معماری UNet