استفاده از shufflenet برای طراحی یک مدل بخش‌بندی معنایی عمیق به منظور تشخیص نشت نفت در تصاویر رادار روزنه مصنوعی

بخش بندی معنایی عمیق تصاویر به عنوان راه حلی یکپارچه در آنالیز تصاویر مبتنی بر طبقه بندی تک تک پیکسل های تصویر بوده و بخصوص در کاربرد هایی مانند شناسایی نشت نفت در آب های 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 روش هایی 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 روش های نوین یادگیری عمیق می تواند در کاهش دخالت سلیقه انسانی در تصمیم گیری کمک کند. در این مقاله از روش مخلوط کردن کانال های ویژگی در شبکه های کانولوشنی عمیق، بلوک های آتروس و بخش های رمزگشایی استفاده شده است که علاوه بر کاهش پیچیدگی های محاسباتی، نتایج بخش بندی لکه های نفتی به مراتب بهتر از سایر روش ها می دهد. معماری شبکه ارائه شده مبتنی بر معماری vgg16 می باشد. دقت کلی، صحت، همپوشانی بر واحد، iou وزن دار 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 7.8% و 7.3% نسبت به روش های پیشین بهبود یافته است.

Using ShuffleNet to design a deep semantic segmentation model for oil spill detection in synthetic aperture radar images

Deep Semantic segmentation of images as an integrated solution for image analysis is based on the classification of individual image pixels, especially in applications such as oil spill detection in the marine areas which have no clear boundaries. To curb pollution and environmental hazards caused by oil spills, it is important to provide more accurate algorithms. Synthetic aperture radar images are widely used in the oil spill detection field. In these images, there are challenges such as speckle noise as well as distinguishing between oil spills and lookalike areas. The application of new machine learning methods can help reduce the involvement of human taste in decisionmaking. In this paper, the feature channel shuffling method on CNN networks, atrous block, and decoder parts are used and the computational complexity is drastically reduced and also provides much better oil spill segmentation results than other methods. The proposed network architecture is based on the Vgg16 architecture. The overall accuracy, accuracy, intersection over :union:, weighted IoU, and BF score is used as evaluation parameters. In the proposed method, the accuracy of detecting the oil spills and lookalikes was improved by 7.8% and 7.3%, respectively, compared to the previous simulated methods.