معرفی یک رویکرد یادگیری عمیق مبتنی بر بلوک های تخصصی کانولوشن در استخراج جاده های شهری

چکیده مقاله

استخراج جاده ها از تصاویر سنجش از دور با وضوح زیاد در طیف گسترده ای از کاربردها مانند مدیریت ترافیک، رانندگی مستقل، برنامه ریزی مسیر و ناوبری جاده حیاتی است به دلیل شکل بلند و نازک و همچنین سایه های ناشی از پوشش گیاهی و ساختمان ها، تشخیص جاده ها با چالش همراه است به منظور بهبود قابلیت اطمینان و دقت استخراج جاده های کوچک در زمانی که جاده هایی با اندازه های گوناگون وجود دارند؛ یک مدل شبکه عصبی در این مقاله پیشنهاد شده است که به قطعه بندی دقیق پیکسلی دست می یابد شبکه پیشنهادی به طور مستقیم تصویر ورودی را پردازش می کند و از چهار بلوک کانولوشن تخصصی SCB در طول نمونه برداری کاهشی استفاده می کند که با رویکرد نمونه برداری با عمق کم برای تولید یک ماسک باینری برای کلاس جاده تکمیل می شود قابلیت اجرایی مدل پیشنهادی در این تحقیق با استفاده از مجموعه داده ماساچوست ارزیابی گردید و نتایج ارزیابی به وضوح عملکرد برتر مدل پیشنهادی را در مقایسه با سایر شبکه های عصبی با پارامترهای کمتر نشان می دهد مدل پیشنهادی توانست شاخص های IOU و F Score را در مجموعه داده ماساچوست به ترتیب به میزان ۱ ۹۸ و ۳ ۰۳ بهبود بخشد

کلیدواژه‌ها

نویسندگان

محمدعرفان امتی

دانشجوی کارشناسی ارشد سنجش از دور، گروه مهندسی نقشه برداری، دانشکده عمران، دانشگاه تربیت دبیر شهید رجایی

�متی، محمدعرفان،1402،معرفی یک رویکرد یادگیری عمیق مبتنی بر بلوک های تخصصی کانولوشن در استخراج جاده های شهری،پنجمین کنفرانس بین المللی عمران، معماری، شهرسازی با رویکرد توسعه زیرساخت های شهر�

ارائه‌شده در

مجموعه مقالات ششمین کنفرانس بین المللی عمران، معماری، شهرسازی با رویکرد توسعه زیرساخت های شهری30 اردیبهشت 1403