ناصر فرج زاده - دانشیار دانشکده فناوری اطلاعات و مهندسی کامپیوتر، دانشگاه شهید مدنی آذربایجان، تبریز
هیوا ابراهیم زاده - دانشجوی کارشناسی ارشد دانشکده فناوری اطلاعات و مهندسی کامپیوتر، دانشگاه شهید مدنی آذربایجان، تبریز

توسعه سیستم های خودکار تشخیص جاده و ساختمان در تصاویر هوایی همواره با چالش های مهمی مانند متفاوت بودن ظاهر ساختمان ها، تغییرات روشنایی، زاویه تصویربرداری و فشرده و چگال بودن جاده ها و ساختمان ها در نواحی شهری روبه روست. در چند سال اخیر، استفاده از شبکه های عصبی مصنوعی چندلایه (شبکه های عصبی عمیق) مورد توجه بسیاری از پژوهشگران این حوزه (و حوزه های مشابه) قرار گرفته و نتایج خیره کننده ای با به کارگیری آنها حاصل شده است. باوجوداین، به دلیل استفاده از لایه های کاملا متصل در راهکار های داده شده، میانگین مدت زمان پردازش هنوز بسیار زیاد است و مدل ساخته شده نیز به سرعت دچار پدیده بیش برازش می شود. علاوه براین، در بیشتر روش های پیشنهادی، برای تفسیر تصاویر هوایی براساس چنین راهکاری از رویکرد تک کلاس استفاده شده است. به عبارتی، تشخیص جاده ها و ساختمان ها از عوارض طبیعی به طور هم زمان امکان پذیر نیست و لازم است مدل های جداگانه ای برای تشخیص هریک از آنها ایجاد شود. هدف اصلی، در این پژوهش، طراحی معماری جدیدی است که مدل ساخته شده با استفاده از آن بتواند، هم زمان، جاده ها و ساختمان ها را از عوارض طبیعی تشخیص دهد و به این ترتیب، پیچیدگی عمل طبقه بندی را به حداقل برساند. همچنین، در طراحی معماری پیشنهادی، حذف لایه های کاملا متصل از معماری چندلایه ای مرسوم و در نتیجه، کاهش میانگین مدت زمان پردازش مورد توجه قرار گرفته است. نتایج آزمایش های انجام گرفته روی بانک تصاویر هوایی ماساچوست نشان می دهد عملکرد معماری پیشنهادی %۳۸ سریع تر از دیگر روش های مبتنی بر شبکه های عصبی چندلایه بوده است و دقت تشخیص را به طور میانگین، %۲ افزایش می دهد.

یادگیری عمیق, شبکه های عصبی مصنوعی, شبکه های عصبی کانوولوشنی, تصاویر هوایی, شناسایی جاده, شناسایی ساختمان, شناسایی عوارض طبیعی, هوش مصنوعی