بهبود تشخیص صحنه در سنجش از راه دور با استفاده از یادگیری عمیق و ویژگیهای عمیق سراسری

با توجه به پیشرفت های فناوری رصد زمین، حجم تصاویر سنجش از دور به شدت در حال افزایش است.در این حوزه، هدف برچسب‌گذاری صحیح تصاویر سنجش از دور است. تشخیص صحنه در تصاویر سنجش از دور در زمینه‌های مختلفی بسیار کاربردی است. هدف در این تحقیق ارائه یک سیستم تشخیص صحنه در سنجش از راه دور با بکارگیری یادگیری عمیق و یادگیری ماشین است. در این پژوهش برای رفع مشکلاتی مثل عدم بکارگیری دو نوع ویژگی در تشخیص صحنه در سنجش از دور و در راستای رفع محدودیت‌های استخراج ویژگی مطرح شده است که در آن سه نوع ویژگی شامل دو نوع ویژگی عمیق محلی و سراسری و یک نوع ویژگی محلی دستی با یکدیگر ترکیب می‌شوند، تا بتوان دقت و صحت تشخیص صحنه را بهبود بخشید. ارزیابی روش پیشنهادی نشان داد که این روش می‌تواند عملکرد بهتری ارائه کند ، در این ارزیابی، روش پیشنهادی در مقایسه با مقاله ی پایه به ترتیب برای مجموعه داده ucm دقت 0.8% ، برای مجموعه داده aid دقت 3.03% ، برای مجموعه داده ی rssnc7 دقت 4.95% و برای nwpu-resisc45 دقت 3.8% بهبود داده شده است. بنابراین از روش پیشنهادی میتوان به خوبی برای برچسب گذاری تصاویر سنجش از دور استفاده کرد.

improving scene recognition in remote sensing using deep learning and deep global features

due to the advances in earth observation technology, the volume of remote sensing images is increasing drastically. in this field, the goal is to correctly label remote sensing images. scene detection in remote sensing images is very useful in various fields. the purpose of this research is to provide a scene recognition system in remote sensing using deep learning and machine learning. in this research, to solve problems such as not using two types of features in remote sensing scene detection and in order to solve the limitations of feature extraction, three types of features include two types of deep local and global features and one type of manual local feature with they are combined to improve the accuracy of scene detection. the evaluation of the proposed method showed that this method can provide a better performance. in this evaluation, the proposed method compared to the base article has an accuracy of 0.8% for the ucm dataset, an accuracy of 3.03% for the aid dataset, and an accuracy of 3.03% for the rssnc7 dataset. 4.95% and for nwpu-resisc45 the accuracy is improved by 3.8%. therefore, the proposed method can be used well for tagging remote sensing images.