ترکیب داده‌های لایدار و تصاویر هوایی بر مبنای شبکه‌های عصبی کانولوشن به‌منظور تشخیص مدل ساختمان‌ها

ساختمان ها یکی از مهمترین سازه های شهری هستند که در کاربردهای مختلف و در نقشه برداری شهری مورد استفاده قرار می گیرند. در سال های اخیر، با توسعه تکنولوژی اخذ داده ها با توان تفکیک بالا، روش ها و الگوریتم های مختلفی به منظور استخراج مدل های دقیق و بهنگام ساختمان ها ارائه شده است. در این مقاله، روشی نوین و مدل مبنا به منظور استخراج ساختمان ها و شناسایی اتوماتیک مدل سقف آنها از قبیل سقف مسطح، شیروانی، شیبدار و هرمی ارائه شده است که در آن از شبکه های عصبی با معماری عمیق به منظور یادگیری سلسله مراتبی ویژگی های استخراج شده از داده های لایدار و تصاویر ارتوفتو استفاده می شود. مهمترین مراحل این روش عبارتند از: آموزش مدل و یادگیری، بخش بندی تصویر، استخراج ویژگی، و برچسب زدن عوارض. کلیه این مراحل در یک ساختار نظارت شده و با استفاده از یک شبکه عصبی کانولوشن که از قبل آموزش دیده شده است، اجرا می شوند تا یک سیستم تشخیص الگوی اتوماتیک برای تشخیص انواع مختلف ساختمان ها در یک ناحیه شهری فراهم گردد. در این روش، اطلاعات ارتفاعی، تولیدکننده ی ویژگی های هندسی پایدار برای شبکه عصبی کانولوشن هستند که در تعیین موقعیت محدوده هر سقف به کار گرفته می شوند. شبکه عصبی کانولوشن یکی از انواع شبکه های عصبی رو به جلو و با مفهوم درک و فهم چندلایه ای است که شامل تعدادی لایه کانولوشن و نمونه برداری می باشد. از آنجایی که در روش پیشنهادی، مجموعه داده ی آموزشی یک کتابخانه کوچک از مدل های برچسب دار است، لذا زمان محاسباتی برای یادگیری با استفاده از مدل های از قبل آموزش دیده، به طور قابل توجهی کم و در حدود چند ساعت است. نتایج حاصله، نشان دهنده موثر بودن تلفیق داده های ارتفاعی و تصاویر رنگی با هم در یادگیری عمیق به منظور استخراج ساختمان ها و شناسایی مدل سقف آنها به صورت همزمان است به طوری که خطای حد بالای اول و دقت آموزش مدل حاصل از تلفیق این دو دسته داده به ترتیب حدود 05/0 و 95 درصد است. همچنین، میزان موفقیت و صحت شناسایی ساختمان ها به ترتیب حدود 97 و 69 درصد است.