کلاسه بندی کشتی در تصاویر SAR با استفاده از کلاسیفایر جدید ترکیبی CNN-MLP

تشخیص کشتی در تصاویر SAR برای امور دریایی، کاربردهای گستردهای دارد. تکنولوژی SAR بدون وابستگی به شرایط جوی و یا بدون در نظر گرفتن زمان تصویربرداری (روز یا شب)، کمک می کند تا مشاهده و نظارت دقیق تری بر مناطق مورد نظر انجام شود. در سال های اخیر با پیشرفت شبکه های عصبی پیچشی که یکی از روش های شناخته شده یادگیری عمیق است و بر اساس ویژگی های عمیق تصاویر عمل می کند، استفاده از آنها برای بخش بندی تصاویر SAR افزایش یافته است. وجود لبه های کلاتر، اهداف متداخل، اسپکل و کلاتر سطح دریا باعث ایجاد آلارم های خطا و تشخیص نادرست در الگوریتم های آشکارساز می شود. در این مقاله، از الگوریتم شناخته شده ی نرخ خطای ثابت CFAR برای تشخیص اشیا استفاده می شود. این الگوریتم تصویر را به شکل پیکسل به پیکسل واکاوی می کند و بر اساس اطلاعات آماری همسایگی آن، پیکسل های هدف را مشخص می کند. سپس یک شبکه عصبی با الگوریتم ترکیبی از شبکه عصبی پیچشی و شبکه پرسپترون چند لایه CNN- MLP(convolutional neural network-multilayer perceptron) برای کلاسه بندی تصویر پیشنهاد می شود. طرح پیشنهادی با تصاویر واقعی گرفته شده از ماهواره های Sentinel-1 و RADATSAT-2 آموزش داده شده است و عملکرد مناسب تری برای کلاسه بندی اهداف در مقایسه با state-of-the-art دارد.

کلیدواژه ها:

تصاویر SAR ، کلاسه بندی ، شبکه عصبی پیچشی ، پرسپترون چندلایه