چکیده مقاله
با افزایش استفاده از پهپاد برای نقشه برداری و افزایش وضوح تصاویر هوایی و سنجش ازدور، در کنار پیشرفت فناوری هوش مصنوعی، نیاز به روش های خودکار و دقیق برای استخراج اطلاعات مکانی بیش از پیش احساس می شود یکی از مهم ترین این نیاز ها، شناسایی و قطعه بندی ساختمان ها از تصاویر هوایی است که کاربرد گسترده و بین رشته ای به ویژه در به روزرسانی نقشه های شهری و پایش گسترش کالبدی آن، برنامه ریزی شهری و مدیریت بحران دارد در سال های اخیر، روش های یادگیری عمیق به ویژه شبکه های کانولوشنی CNN تحولی چشمگیر در این حوزه ایجاد کرده اند در این مقاله، کارایی و مزایای مدل U Net در قطعه بندی ساختمان ها بررسی شده و محدودیت های سایر روش ها تشریح می گردد نتایج پژوهش های اخیر نشان می دهد که مدل های یادگیری عمیق قابلیت بالایی برای شناسایی خودکار ساختمان ها و افزایش دقت استخراج ساختمان ها نسبت به روش های کلاسیک مبتنی بر ویژگی دارند و می توانند به عنوان ابزاری کارامد در سیستم های اطلاعات جغرافیایی GIS به کار گرفته شوند
کلیدواژهها
نویسندگان
امیرحسین کاظم
دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران
امیررضا ریحانی شوکت آباد
دانشکده مهندسی نقشه برداری دانشگاه خواجه نصیرالدین طوسی
شیوه ارجاع
کاظم، امیرحسین و ریحانی شوکت آباد، امیررضا،1404،شناسایی و قطعه بندی ساختمان ها از تصاویر هوایی با استفاده از مدل U-Net،بیست و نهمین همایش و نمایشگاه ملی مهندسی نقشه برداری و اطلاعات مکانی ژئوماتیک ۱۴۰۴ و پنجمین نمایشگاه بین المللی ایران ژئو،تهران
ارائهشده در
مجموعه مقالات بیست و نهمین همایش و نمایشگاه ملی مهندسی نقشه برداری و اطلاعات مکانی ژئوماتیک ۱۴۰۴ و پنجمین نمایشگاه بین المللی ایران ژئو29 آبان 1404 · تهران