بررسی روشهای یادگیری عمیق در استخراج خودکار ساختمانها با استفاده از تصاویر قدرت تفکیک بالا

چکیده مقاله

ساخت وسازها همواره در محیط های حومه شهری در حال گسترش می باشند و استخراج ساختمانها، نقش بسیار مهمی را در مدیریت و برنامه ریزی شهری و همچنین به روزرسانی پایگاه داده مکانی دارند در سالهای اخیر حضور ماهوارههای سنجش ازدوری باعث شده است این فرآیند و به روزرسانی پایگاه داده با سرعت بالاتری انجام گیرد اما همچنان به علت ویژگی های طیفی و هندسی متفاوت ساختمانها این امر کاری دشوار می باشد از طرفی مدلهای یادگیری عمیق و تصاویر قدرت تفکیک بالا از محبوبیت بالایی در شناسایی خودکار این عارضه ها برخوردار هستند ازاین رو در این مطالعه معماری های مختلف یادگیری عمیق , PAN, PSPNet, ۳ UNet ,UNet ,DeepLabV،بر روی سه باند RGB تصاویر با قدرت تفکیک بالا گوگل ارث مورد بررسی قرار گرفته اند نتایج نشان دادند معماری UNet با دقت ۹۱/۰، recall برابر ۸۷/۰ و F score برابر ۸۹/۰ در کلاس ساختمان، دارای بالاترین دقت بوده است

کلیدواژه‌ها

نویسندگان

نیما فرهادی

کارشناس ارشد مهندسی فتوگرامتری دانشکده مهندسی نقشهبرداری دانشگاه صنعتی خواجهنصیرالدین طوسی

عباس کیانی

استادیار گروه مهندسی نقشهبرداری، دانشکده عمران، دانشگاه صنعتی نوشیروانی بابل

فاطمه احمدی

دانشجوی دکتری سنجش از دور دانشکده مهندسی نقشه برداری دانشگاه صنعتی خواجه نصیرالدین طوسی

گلناز اقدسی

دانشجوی کارشناسی مهندسی نقشهبرداری دانشگاه غیرانتفاعی شمال آمل

مهشید فرجی

دانشجوی کارشناسی مهندسی نقشهبرداری دانشگاه غیرانتفاعی شمال آمل

فرهادی، نیما و کیانی، عباس و احمدی، فاطمه و اقدسی، گلناز و فرجی، مهشید،1403،بررسی روشهای یادگیری عمیق در استخراج خودکار ساختمانها با استفاده از تصاویر قدرت تفکیک بالا،بیست و هشتمین همایش ملی مهندسی نقشه برداری و اطلاعات مکانی (ژئوماتیک ۱۴۰۳)،تهران

ارائه‌شده در

مجموعه مقالات بیست و هشتمین همایش ملی مهندسی نقشه برداری و اطلاعات مکانی (ژئوماتیک ۱۴۰۳)9 اردیبهشت 1403 · تهران