| نوع مدرک: | متون چاپی |
| سرشناسه | بهرامی ، مهین، نویسنده |
| رده‌بندی کنگره : | COM A 16 1397 |
| عنوان : | قطعه‌بندی تصاویر ماهواره‌ای با استفاده از یادگیری عمیق |
| عنوان موازی : | Segmentation of Satellite Images Using Deep Learning |
| ناشر: | دانشگاه شهید اشرفی اصفهانی: اصفهان |
| سال نشر : | 1397 |
| صفحه شمار: | 130ص |
| شابک/شاپا | 23858 |
| یادداشت | پایان نامه کارشناسی ارشد: مهندسی کامپیوتر گرایش هوش مصنوعی و رباتیکز |
| شناسه افزوده : | نقش نیلچی ، احمدرضا، استاد راهنما فتحی ، عبدالحسین، استاد مشاور |
| توصیفگرها | قطعه‌بندی تصاویر ماهواره‌ای یادگیری عمیق شبکه‌های عصبی کانولوشن U-net Segmentation Satellite Imagery, Deep Learning Convolutional Neural Networks U-Net |
| چکیده : | تصاویر ماهواره‌ای در زمینه‌های هواشناسی، کشاورزی، حفاظت از تنوع زیستی، جنگلداری، زمین‌شناسی، نقشه‌برداری، برنامه‌ریزی منطقه‌ای، آموزش، جنگ و دفاع، ترافیک شهری و شناسایی راه‌ها کاربرد فراوانی دارد. ازآنجایی‌که روش‌های دستی و نقشه‌برداری میـدانی در اسـتخراج نقشه‌ها فرآیندی مشکل و زمان‌بر بوده، به‌کارگیری فناوری‌های خودکار برای استخراج تغییرات زمین الزامـی به نظر می‌رسد. بعلاوه، به‌روزرسانی نقشه‌ها، ارزیابی تغییرات مکانی و زمانی و دگرگونی‌های ناشی از عوامل طبیعی و انسانی، نیازمنـد تکنیک‌های خودکار می‌باشد. یکی از این تکنیک‌های خودکار قطعه بندی تصویر است. در این پژوهش برویکرد ما به چالش تشخیص ویژگی های تصاویر ماهواره ای dstl است که توسط kaggle در سال 2017 برای طبقه بندی، قطعه بندی و تشخیص و استخراج ده کلاس از اشیاء مختلف در تصاویرماهواره ای طرح شد. هدف اصلی این پژوهش قطعه بندی معنایی دقیق این ده کلاس داده است. روش پیشنهادی ارائه شده مبتنی بر شبکه U-net است. علاوه بر این در مورد تاثیر بهینه سازهای مختلف بر روی این مجموعه داده ها و همچنین تاثیر لایه های مختلف شبکه کانولوشن و وجود Dropout در شبکه بحث خواهیم کرد. در این پژوهش 80 درصد از مجموعه داده ها برای مجموعه آموزش و 20 درصد برای مجموعه ارزیابی انتخاب شده است. همچنین سه معیار صحت، ژاکارد و میانگین خطای مربعات برای ارزیابی مورد بررسی قرار گرفته است. بر اساس نتایج به دست آمده از بررسی های مختلف میتوان گفت بهینه ساز Adam بهترین نتیجه را بر روی مجموعه داده ارائه داده است و لایه های شبکه و وجود Dropout بر روی مجموعه داده تاثیر گذار است. طبق میانگین نتایج بدست آمده صحت 0.9550 و میانگین MSE برابر با 0.1354 است. همچنین میانگین ژاکارد بدست آمده برابر با 0.7773 است که بیانگر بدست آمدن نتیجه خوب قطعه بندی تصاویر با رویکرد پیشنهادی می باشد |
| لینک ثابت رکورد: | ../opac/index.php?lvl=record_display&id=13073 |
| زبان مدرک : | فارسی |
قطعه‌بندی تصاویر ماهواره‌ای با استفاده از یادگیری عمیق (1397) / بهرامی ، مهین، نویسنده