شناسایی تغییرات تصاویر سنجش‌ازدوری با استفاده از روش های یادگیری عمیقِ دوجریانه

شناسایی تغییرات تصاویر سنجش‌ازدور دارای نقش مهمی در بسیاری از برنامه‌های کاربردی مانند بررسی رشد شهرنشینی، نظارت بر تغییرات کاربری زمین، ارزیابی بلایا و آسیب‌های طبیعی ایفا می‌کند. در این فرایند هدف، تعیین برچسب تغییر کرده یا نکرده برای پیکسل‌های دو تصویر می‌ باشد که از یک مکان ولی در دو زمان متفاوت گرفته‌شده است. همین‌طور در دهه اخیر استفاده از روش ‌های یادگیری عمیق به دلیل عملکرد مناسبی که در تفسیر و پردازش داده‌های سنجش‌ ازدوری دارند و همین‌طور توانایی حذف مهندسی ویژگی و استخراج ویژگی‌های سطح بالا از تصاویر، موردتوجه بسیاری از محققان این حوزه قرارگرفته است. در همین راستا، در این مقاله یک مدل یادگیری عمیق بهینه طراحی‌شده است که به دلیل ساختار سلسله‌مراتبی، طراحی موثر انتقال ویژگی و بهره وری مناسب از ویژگی ‌های چندمقیاسه، دقت شناسایی تغییرات تصاویر دو زمانه را افزایش می‌دهد. مدل پیشنهادی به دلیل ساختار و معماری بهینه نسبت به برخی مدل‌های مشهور موجود مانند bit از سرعت و دقت نتایج بالاتری برخوردار است. نتایج به‌دست‌آمده از اعمال مدل پیشنهادی بر روی دو مجموعه داده ی مورد بررسی، نسبت به روش مقایسه ای bit به طور میانگین حاکی از دقت کلی حدود 96 درصد و کاهش 10 درصدی میزان محاسبات ضرب و جمع می ‌باشد.

changes detection of remote sensing images using two-stream two-stream deep neural network

identification of changes in remote sensing images plays an important role in many applications, such as monitoring the growth of urbanization, land use changes, and assessing disasters and natural damages. this process aims to assign the label changed or not changed to the pixels of two images taken from the same place but at two different times. on the other hand, in the last decade, deep learning methods have attracted the attention of many researchers in this field due to their proper performance in interpreting and processing remote sensing data and the ability to remove feature engineering and extract high-level features from images. in this regard, in this article, an optimal deep learning model has been designed, which increases the accuracy of identifying changes in two-time images due to its hierarchical structure, appropriate efficiency of multiscale features, and effective design of feature transfer. due to the optimal structure and architecture, the proposed model has higher speed and accuracy of results compared to some popular models such as bit. applying the proposed model to the two data sets under investigation indicates an average accuracy of 96% and less complex calculations.