|
|
|
|
ارزیابی عملکرد دو مدل یادگیری عمیق در استخراج عوارض ساختمانی از تصاویر ماهواره‌ای با مدل رقومی سطح
|
|
|
|
|
|
|
|
نویسنده
|
احمدیان نیما ,صداقت امین ,محمدی نازیلا
|
|
منبع
|
بيست و هفتمين همايش ملي مهندسي نقشه برداري و اطلاعات مكاني (ژئوماتيك 1402) - 1402 - دوره : 27 - بیست و هفتمین همایش ملی مهندسی نقشه برداری و اطلاعات مکانی (ژئوماتیک 1402) - کد همایش: 02221-64386 - صفحه:0 -0
|
|
چکیده
|
ساختمان‌ها یکی از مهم‌ترین عوارض دست‌ساز بشر هستند که شناسایی و مدیریت آن‌ها کاربردهای فراوانی دارد. تصاویر سنجش‌ازدور و مدل رقومی سطح، منابع مناسبی برای استخراج و تولید نقشه ساختمان‌ها هستند. با توجه به پیشرفت یادگیری عمیق در دهه اخیر، این روش برای استخراج خودکار عوارض ساختمانی از تصاویر سنجش‌ازدور کارآمد است. در این تحقیق از دو مدل یادگیری عمیق شامل u-net و ma-fcn برای تشخیص عوارض ساختمانی از تصاویر سنجش‌ازدور با بهره‌گیری از مدل رقومی سطح استفاده شده است. نتایج حاصل از این تحقیق نشان می‌دهد که استفاده از مدل رقومی سطح در کنار تصاویر سه باندی، نتایج استخراج ساختمان‌ها را در این روش‌ها بهبود داده و در تعداد اپک آموزشی کمتر نسبت به تصاویر سه باندی به نتایج بهتری دست می‌یابد. استفاده از مدل رقومی سطح در مدل‌های u-net و ma-fcn به ترتیب 7% و 6% نتایج را بهبود داده است.
|
|
کلیدواژه
|
یادگیری عمیق، ساختمان، u-net، مدل رقومی سطح
|
|
آدرس
|
, iran, , iran, , iran
|
|
پست الکترونیکی
|
n.mohammadi@tabrizu.ac.ir
|
|
|
|
|
|
|
|
|
|
|
|
|
|
performance evaluation of two deep learning models in building footprint extraction from satellite imagery with digital surface model
|
|
|
|
|
Authors
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|