استخراج خودکار راه ها و ساختمان ها از تصاویر ماهواره ای با توان تفکیک مکانی یک متر با استفاده از شبکه عمیق U-Net

در این پژوهش، به منظور استخراج خودکار راه ها و ساختمان ها از تصاویر ماهواره ای با تفکیک مکانی یک متر، از مجموعه داده ی WHISPER-۲۰۲۵-ISASeg استفاده شد. این مجموعه داده شامل تصاویر RGB با وضوح بالا و ماسک های برچسب گذاری شده برای نواحی شهری است. در این مطالعه، یک مدل شبکه عصبی U-Net برای بخش بندی معنایی عوارض شهری طراحی و پیاده سازی گردید. داده ها شامل ۴۰۰ تصویر برای آموزش و ۸۰ تصویر برای ارزیابی مدل بودند. آموزش مدل در طول ۱۰۰ دوره انجام شد و نتایج نشان داد که مدل توانسته است به دقت آموزش ۰٫۹۲۶۴ و دقت ارزیابی ۰٫۸۱۸۶ دست یابد. این نتایج بیانگر کارایی مناسب شبکه U-Net در تفکیک عوارض راه و ساختمان از تصاویر ماهواره ای با توان تفکیک بالا است و نشان می دهد که این رویکرد می تواند در تحلیل های شهری و نقشه برداری خودکار موثر واقع شود.

کلیدواژه ها:

یادگیری عمیق ، شبکه عصبی U-Net ، سنجش از دور ، استخراج عوارض شهری ، تفکیک و بخش بندی تصاویر ماهواره ای