استفاده از ShuffleNet برای طراحی یک مدل بخش بندی معنایی عمیق به منظور تشخیص نشت نفت در تصاویر رادار روزنه مصنوعی
سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 178
فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JIAE-19-3_014
تاریخ نمایه سازی: 16 مهر 1401
چکیده مقاله:
بخشبندی معنایی عمیق تصاویر به عنوان راه حلی یکپارچه در آنالیز تصاویر مبتنی بر طبقه بندی تک تک پیکسل های تصویر بوده و بخصوص در کاربردهایی مانند شناسایی نشت نفت در آبهای آزاد که در آن مرز اشیا و نواحی به طور مشخص قابل تفکیک نیستند، مورد توجه قرار می گیرد. به منظور کنترل هرچه بیشتر آلودگی و مخاطرات زیست محیطی ناشی از نشت نفت، ارائه روشهایی با دقت بیشتر از اهمیت ویژه ای برخوردار است. تصاویر رادار روزنه مصنوعی دراین زمینه بسیار پرکاربرد بوده و با چالش هایی از جمله نویز اسپکل و نیز تشخیص نواحی لکه نفتی و شبه لکه نفتی مواجه هستند. بکارگیری روشهای نوین یادگیری عمیق می تواند در کاهش دخالت سلیقه انسانی در تصمیم گیری کمک کند. در این مقاله از روش مخلوط کردن کانالهای ویژگی در شبکه های کانولوشنی عمیق، بلوکهای آتروس و بخشهای رمزگشایی استفاده شده است که علاوه بر کاهش پیچیدگی های محاسباتی، نتایج بخش بندی لکه های نفتی به مراتب بهتر از سایر روشها می دهد. معماری شبکه ارائه شده مبتنی بر معماری vgg۱۶ می باشد. دقت کلی، صحت، همپوشانی بر واحد، IoU وزندار و امتیاز BF به عنوان پارامترهای ارزیابی در نظر گرفته شده اند. در روش ارائه شده، دقت بخش بندی لکه های نفتی و شبه لکه های نفتی به ترتیب به میزان ۸/۷% و ۳/۷% نسبت به روشهای پیشین بهبود یافته است.
کلیدواژه ها:
Channel shuffle ، ShuffleNet ، deep learning ، semantic segmentation ، oil spill detection ، synthetic aperture radar images ، مخلوط کردن کانال ، شافل نت ، یادگیری عمیق ، بخش بندی معنایی ، شناسایی لکه های نفتی ، تصاویر رادار روزنه مصنوعی
نویسندگان
نسترن آقائی
Shahid Chamran University of Ahvaz
غلامرضا اکبری زاده
Shahid Chamran University of Ahvaz
عبدالنبی کوثریان
Shahid Chamran University of Ahvaz
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :