دانلود پاورپوینت مقاله سیستم چندتوجهی جهت تقسیم بندی معنایی تصاویر

بخش بندی معنایی تصاویر سنجش از دور (یعنی تخصیص دسته بندی های معین به گروه های پیکسل در یک تصویر) نقش مهمی در طیف وسیعی از کاربردها،از جمله مدیریت منابع زمین، تخمین بازده، و ارزیابی اقتصادی ایفا می کند. شاخص‌های پوشش گیاهی خصوصیاتی هستند که از تصاویر چند طیفی و فراطیفی استخراج می‌شوند تا ویژگی‌های فیزیکی سطح زمین را مشخص کنند. شاخص تفاوت نرمال شده گیاهی (NDVI) و شاخص پوشش گیاهی تعدیل شده با خاک (SAVI) پوشش گیاهی را نسبت به سایر منابع زمین، مهمتر می کند، در حالیکه شاخص برهنگی تفاوت نرمال شده (NDBaI) و شاخص تفاوت نرمال شده زمین بایر (NBLI) بر زمین برهنه تاکید دارد. شاخص تفاوت نرمال شده آب (NDWI) و NDWI اصلاح شده (MNDWI) نشان دهنده آب است. این شاخص ها به طور گسترده در جامعه سنجش از دور توسعه یافته و به کار گرفته شده اند. ضمنا، طبقه‌بندی‌کننده‌های مختلفی از دیدگاه‌های گوناگون طراحی شده‌اند، از روش‌های سنتی مانند رگرسیون لجستیک، اندازه‌گیری فاصله، و خوشه‌بندی گرفته تا روش‌های پیشرفته‌تر یادگیری ماشینی مانند ماشین بردار پشتیبان (SVM)، جنگل تصادفی (RF)، و شبکه های عصبی مصنوعی (ANNs)، از جمله درک چند لایه (MLP). این طبقه‌بندی‌کننده‌ها به کیفیت ویژگی‌هایی بستگی دارند که برای طبقه‌بندی پوشش زمین در سطح پیکسل استخراج می‌شوند. با اینحال، وابستگی زیاد به توصیفگرهای دست ساز، انعطاف پذیری و سازگاری روش های سنتی را محدود می کند.

این پاورپوینت در 31 اسلاید آماده شده و در ادامه نیز، اسلاید شماره 28 آن قرار داده شده است:

یادگیری عمیق (DL)، که یک رویکرد قدرتمند جهت ثبت خودکار خصوصیات غیرخطی و سلسله مراتبی می باشد، تاثیر قابل توجهی بر حوزه های مختلف همچون دید کامپیوتری (CV)، پردازش زبان طبیعی (NLP) و تشخیص خودکار گفتار (ASR) داشته است. در زمینه سنجش از دور، روش‌های DL  برای طبقه‌بندی پوشش زمین و کاربری اراضی معرفی و پیاده‌سازی شده اند. در مقایسه با شاخص‌های پوشش گیاهی، که مبتنی بر مفاهیم فیزیکی و ریاضی هستند و فقط از باندهای طیفی به صورت دستی کدگذاری شده‌اند، روش‌های DL می‌توانند اطلاعات مختلفی را استخراج کنند.

برای بخش بندی معنایی سنجش از دور، روش‌های مبتنی بر شبکه کانولوشن (FCN)  و معماری‌های رمزگذار – رمزگشا، مانند SegNet و U-Net ، کاربرد وسیعی داشته اند. بطور کلی، معماریهای مبتنی بر FCN شامل یک مسیر قراردادی است که اطلاعات را از تصویر ورودی استخراج می‌کند و نقشه‌ ویژگی سطح بالا تولید می‌کند، و یک مسیر در حال گسترش است، که در آن نقشه‌ ویژگی سطح بالا برای بازسازی ماسک بخش بندی پیکسلی توسط روش یک سطحی یا چند سطحی نمونه برداری استفاده می شوند. با این حال، علیرغم قابلیت نمایش قدرتمند این رویکردهای چندمقیاسی، تنگناهای مربوط به جریان اطلاعات، آنها را محدود می‌کنند. برای مثال، نقشه‌ ویژگی با جزئیات سطح پایین تولیدی توسط رمزگذار، با اطلاعات معنایی سطح بالای تولیدی توسط رمزگشا بدون هیچ گونه اصلاحاتی به هم متصل می‌شوند که منجر به بهره‌برداری ناکافی و تمایز ناقص ویژگی‌ها می‌شود. بعلاوه، توانایی تمایز نمایش ویژگی ها ممکن است برای کارهای چالش برانگیز، همچون بخش بندی معنایی تصاویر سنجش از دور با وضوح فضایی خوب کافی نباشد.