بررسی داده افزایی در بهبود عملکرد مدل یادگیری عمیق جهت قطعه بندی ساختمان ها با استفاده از تصاویر هوایی
Publish place: Journal of Space Science and Technology، Vol: 15، Issue: 3
Publish Year: 1401
نوع سند: مقاله ژورنالی
زبان: Persian
View: 151
This Paper With 10 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JSST-15-3_003
تاریخ نمایه سازی: 22 فروردین 1402
Abstract:
یادگیری عمیق یک روش مدرن پردازش تصویر و تجزیه و تحلیل داده ها می باشد که با داشتن نتایج امیدوارکننده و پتانسیل بالا، وارد حوزه مدیریت شهری شده است. هدف از تحقیق حاضر، بررسی تکنیک های داده افزایی در بهبود نتایج قطعه بندی ساختمان ها با استفاده از تصاویر هوایی با قدرت تفکیک مکانی بالا و روش یادگیری عمیق می باشد. برای این منظور از مجموعه داده ساختمان MSB و مدل MapNet استفاده شد. مدل در سه مرحله بدون داده افزایی، با داده افزایی تبدیلات هندسی و با داده افزایی تبدیلات هندسی و فتومتریک مورد آموزش و ارزیابی قرار گرفت. نتایج ارزیابی مدل نشان داد که با استفاده از تکنیک های داده افزایی تبدیلات هندسی معیارهای ارزیابی امتیاز اف-یک و IoU به ترتیب به میزان ۵/۰ و ۵۵/۰ درصد و با استفاده از تکنیک-های داده افزایی تبدیلات هندسی و فتومتریک به میزان ۴۱/۱ و ۵۷/۱ درصد افزایش پیدا کرد. این افزایش به صورت بصری در بهبود قطعه بندی مناطق متراکم ساختمان و ناپیوستگی ساختمان های بزرگ مقیاس مشاهده شد.
Keywords:
Authors
سمیه کریم پور
گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده علوم جغرافیایی، دانشگاه خوارزمی،تهران، ایران
جواد سدیدی
گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده علوم جغرافیایی، دانشگاه خوارزمی، تهران، ایران
سید محمد توکلی صبور
گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده علوم جغرافیایی، دانشگاه خوارزمی، تهران، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :