چکیده مقاله
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
کلیدواژهها
نویسندگان
فروغ شریف زاده
گروه برق دانشکده مهندسی دانشگاه شهید چمران اهواز
غلامرضا اکبری زاده
گروه برق دانشکده مهندسی دانشگاه شهید چمران اهواز
یوسف صیفی کاویان
گروه برق دانشکده مهندسی دانشگاه شهید چمران اهواز
شیوه ارجاع
�ریف زاده، فروغ و اکبری زاده، غلامرضا و صیفی کاویان، یوسف،1397،کلاسه بندی کشتی در تصاویر SAR با استفاده از کلاسیفایر جدید ترکیبی CNN-MLP،کنفرانس بین المللی تحقیقات بین رشته ای در مهندسی برق، کامپیوتر، مکانیک و مکاترونیک در ایران و جهان اسلام،کرج
ارائهشده در
مجموعه مقالات کنفرانس بین المللی تحقیقات بین رشته ای در مهندسی برق، کامپیوتر، مکانیک و مکاترونیک در ایران و جهان اسلام31 شهریور 1397 · کرج