مروری بر روش های آشکارسازی اهداف در تصاویر پانکروماتیک سنجش از دوری با استفاده از الگوریتم های یادگیری عمیق

طی سال‌های اخیر پیشرفت‌های سریعی در استفاده از یادگیری عمیق برای آشکارسازی اهداف در تصاویر پنکروماتیک سنجش از دوری با وضوح بالا انجام شده است. در این مقاله تحقیقات جاری این زمینه مرور شده و یافته‌های نوآورانه روش های موجود، بیان شده است. همچنین طیف وسیعی از آشکارسازی های مورد نظر شامل ساختمان، وسایل نقلیه، هواپیما و کشتی پوشش داده شده است. شبکه‌های عصبی عمیق بر خلاف روش‌های سنتی که با تکیه بر ویژگی‌های دست ساز عمل می کنند، یادگیری ویژگی سطح بالا و قابلیت‌های تمایز هدف را ارائه می‌دهند. آموزش سراسری، شبکه ها را قادر ساخته تا بازنمایی های مهمی را به طور مستقیم از تصاویر برای تشخیص دقیق بیاموزند. از جمله معماری‌های مهم و مورد بررسی می توان به faster r-cnn، ssd و yolo اشاره کرد که اغلب برای آشکارسازی اهداف، سفارشی سازی می‌شوند. علاوه بر استفاده مستقیم از تصاویر پنکروماتیک، از آن برای بهبود عملکرد تشخیص توسط ادغام با تصاویر دیگر مانند چند طیفی و مادون قرمز استفاده می شود. بهره بری از اطلاعات مکانی در تصاویر پنکروماتیک، صحت آشکارسازی اهداف را افزایش داده است. سازوکارهای توجه، اتصالات متراکم و ترکیب ویژگی‌های چندمقیاسی برای تقویت یادگیری ویژگی و بهبود نتایج در صحنه‌های پیچیده بررسی شده است. راهبردهای داده افزایی، یادگیری انتقالی، کاوش نمونه کم کیفیت و سازگاری مدل برای مدیریت تصاویر برچسب دار محدود و فرآیند آموزش شبکه استفاده شده اند. به طور کلی، روش های یادگیری عمیق پیشرفته به صحت های بالایی در آشکارسازی انواع مختلف اهداف دست یافته اند. اما چالش ها در مدیریت اهداف کوچک، متراکم و مبهم، باقی مانده است. یادگیری مستمر شبکه های عمیق برای اهداف جدید و تطبیق مدل‌ها، جهت گیری روش های اخیر می باشد. این بررسی بسیاری از روش های یادگیری عمیق آشکارسازی را پوشش داده و بینشی را برای هدایت تحقیقات آینده به سمت آشکارسازهای عملیاتی و قدرتمند برای تشخیص هدف در تصاویر پنکروماتیک با وضوح بالا ارائه می‌کند.

target detection in panchromatic remotely sensed images using deep learning algorithms: a review

in recent years, rapid advancements have been made in the use of deep learning for the detection of targets in high-resolution panchromatic remotely sensed images. this study reviews ongoing research in this field and expresses the innovative findings of existing methods. a wide range of desired detections including buildings, vehicles, aircraft, and ships is covered. unlike traditional methods, which rely on handcrafted features, deep neural networks provide high-level feature learning and target discrimination capabilities. end-to-end training enables networks to directly learn significant representations from images for accurate recognition. important architectures reviewed include faster r-cnn, ssd, and yolo, which are often customized for target detection. in addition to the direct use of panchromatic images, they are used to improve detection performance by integration with other images such as multispectral and infrared. utilizing spatial information in panchromatic images has increased the accuracy of target detection. mechanisms of attention, dense connections, and the combination of multi-scale features have been examined to enhance feature learning and improve results in complex scenes. data augmentation strategies, transfer learning, exploration of low-quality samples, and model adaptability have been employed to manage limited labeled images and network training processes. overall, advanced deep learning methods have achieved high accuracy in detecting various types of targets. however, challenges in managing small, dense, and ambiguous targets remain. continuous learning of deep networks for new targets and model adaptation are the directions of recent methods. this review covers many of the deep learning detection methods and provides insights to steer future research towards practical and powerful detectors for target recognition in high-resolution panchromatic images.