طبقه بندی تصاویر ثبت شده از راه دور با استفاده از الگوریتم یادگیری عمیق CNN

امروزه الگوریتم ها و مدل های مختلف پژوهش های مبتنی بر شبکه عصبی، جای خود را در میان طبقه بندی تصاویر به خوبیباز کرده اند. هدف اصلی این الگوریتم ها این است که در شبکه های مصنوعی، ماشین به شکلی آمووزش ببینود کوه در نهایوتتشخیصی نزدیک مغز انسان داشته باشد. از بین انواع شبکه های عصبی، شبکه های عصبی کانالوشون ( CNN ) معمولا دقتخوبی را در طبقه بندی تصاویر ارایه می کنند. در این مقاله، بهره گیری از یادگیری عمیق در سنجش از راه دور را توسط سهاستراتژی متفاوت ارزیابی و آنالیز می کنیم. در بسیاری از برنامه های کاربردی، مخصوصا برنامه های سنجش از راه دور، به علتهزینه های محاسباتی با و نیاز به مقادیر بالای داده های برچسب دار، امکان طراحی و آموزش شبکه های عصبی کانالوشنجدید وجود ندارد. آزمایش های این تحقیق با بهره بردن از مجموعه داده سنجش از راه دور و همچنین شبکه های عصبیکانالشن معروف ( fine-tunned )، صورت می گیرد. نتایج نشان می دهد که شبکه های عصبی کانالوشن به خوبی تنظیمشده، دارای بهترین عملکرد در بین استراتژی ها می باشند. در حقیقت استفاده از ویژگی های شبکه های عصبی کانالوشن بهخوبی تنمیم شده با Linear SVM بهترین نتیحه را می دهد. در حقیقت، با استفاده همزمان از ویژگی های شبکه هایعصبی کانالوشن به خوبی تنظیم شده به همراه SVM های خطی تنظیم شده، بهترین نتیجه به دست می آید. هدف اصلیاین مقاله ارزیابی استراتژی های مناسب برای بهره برداری بیشتر از توانایی های یادگیری عمیق جهت طبقه بندی صحنه هایتصویری ماهواره ای و سنجش از راه دور است.

کلیدواژه ها:

یادگیری عمیق ، شبکه های عصبی کانالوشن ، به خوبی تنمیم شده ، سنجش از راه دور