[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
بخش‌های اصلی
صفحه اصلی::
اطلاعات نشریه::
آرشیو مجله و مقالات::
برای نویسندگان::
داوران::
ثبت نام و اشتراک::
تماس با ما::
تسهیلات پایگاه::
بایگانی مقالات زیر چاپ::
آمار نشریه::
::
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
آمار سایت
مقالات منتشر شده: 317
نرخ پذیرش: 63
نرخ رد: 37
میانگین داوری: 209 روز
میانگین انتشار: 347 روز
..
:: دوره 11، شماره 1 - ( 3-1402 ) ::
جلد 11 شماره 1 صفحات 82-59 برگشت به فهرست نسخه ها
بهبود دقت طبقه‌بندی تصاویر ابرطیفی با استفاده از شبکه‌های عصبی پیچشی
مهسا تکیه نژاد ، عطاءالله ابراهیم‌زاده* ، ملیحه احمدی
دانشگاه صنعتی نوشیروانی بابل
چکیده:   (1443 مشاهده)
طبقه‌بندی تصاویر ابرطیفی اهمیت زیادی در تجزیه و تحلیل تصاویر سنجش از دور دارند. روش‌های یادگیری عمیق با موفقیت برای طبقه‌بندی داده‌های سنجش از دور مورد استفاده قرار گرفته‌اند. در سال­های اخیر، شبکه­های عصبی پیچشی(CNNs) کاربرد قابل ملاحظه‌ای در طبقه‌بندی تصاویر ابرطیفی داشته اند که هر یک سعی در غلبه بر چالش­های محاسباتی و پردازشی داده­های ابرطیفی داشته­اند. با افزایش تعداد پارامترها و لایه­های شبکه­های عصبی پیچشی کارایی آن‌ها در حل مسائل پیچیده کاهش می­یابد. به‌همین دلیل در مقاله حاضر یک معماری جدید از شبکه­های عصبی پیچشی معرفی شده است تا علاوه بر داشتن عملکرد بالای شبکه، زمان محاسباتی را نیز به‌صورت چشمگیری کاهش دهد. در روش پیشنهادی از اطلاعات طیفی-مکانی به عنوان ورودی شبکه و به جهت کاهش باندهای طیفی از فرآیند آنالیز مولفه‌های اصلی استفاده می‌شود. همچنین برای جلوگیری از بیش­برازش از ترکیب نرمال‌سازی بسته‌ای و حذف تصادفی استفاده می‌گردد. در این روش شبکه عصبی پیچشی دو بعدی شامل لایه‌های پیچشی، لایه‌های ادغام و لایه‌های کاملا متصل می‌باشد. علاوه بر استفاده از آنالیز مولفه‌های اصلی، یافتن پنجره مناسب در روش پیشنهادی مورد توجه قرار گرفته است. جهت مقایسه مدل پیشنهادی با دیگر معماری‌ها، آزمایش­های این مقاله بر مجموعه داده­های ایندین‌پاینس، دانشگاه پاویا و سالیناس صورت گرفته است. نتایج شبیه‌سازی نشان می‌دهد که روش پیشنهادی علاوه بر داشتن درصد دقت بالای موفقیت (۱۰۰درصد) در طبقه‌بندی و مدت زمان کمتر، دارای پیچیدگی کمتری نسبت به مدل‌های موجود می‌باشد.
 
واژه‌های کلیدی: طبقه‌بندی تصاویر ابرطیفی، شبکه‌ عصبی پیچشی، آنالیزمولفه‌های اصلی، انتخاب پنجره مناسب
متن کامل [PDF 1636 kb]   (367 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: سنجش از دور
دریافت: 1401/7/23 | پذیرش: 1402/3/13 | انتشار الکترونیک پیش از انتشار نهایی: 1402/3/31 | انتشار: 1402/4/18
فهرست منابع
1. [1] A. Plaza, J. Benediktsson, et al, "Recent advances in techniques for hyperspectral image processing", Remote sensing of enviroment, vol. 113, pp. 110-122, 2009. [DOI:10.1016/j.rse.2007.07.028]
2. [2] F. Melgani, and L. Bruzzone, "Classification of Hyperspectral Remote Sensing Images With Support Vector Machines". IEEE transactions on geoscience and remote sensing, Vol. 42, pp. 1778-1790, 2004. [DOI:10.1109/TGRS.2004.831865]
3. [3] Y. Chen, Z. Lin, X. Zhao, G. Wang, and Y. Gu, "Deep learning-based classification of hyperspectral data," IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 7, pp. 2094-2107, June 2014. [DOI:10.1109/JSTARS.2014.2329330]
4. [4] T. Li, J. Zhang, X. Zhao, and Y. Zhang, "Classification of hyperspectral image based on deep belief networks," in 2014 IEEE International Conference on Image Processing (ICIP), pp. 1-5, Oct 2014. [DOI:10.1109/ICIP.2014.7026039]
5. [5] W. Zhao and S. Du, "Spectral-spatial feature extraction for hyperspectral image classification: A dimension reduction and deep learning approach," IEEE Transactions on Geoscience and Remote Sensing, vol. 54, pp. 4544-4554, Aug 2016. [DOI:10.1109/TGRS.2016.2543748]
6. [6] X. Zhou, S. Li, F. Tang, K. Qin, S. Hu, and S. Liu, "Deep learning with grouped features for spatial spectral classification of hyperspectral images," IEEE Geoscience and Remote Sensing Letters, vol. 14, pp. 97-101, Jan 2017. [DOI:10.1109/LGRS.2016.2630045]
7. [7] W. Li, G. Wu, F. Zhang, and Q. Du, "Hyperspectral image classification using deep pixel-pair features," IEEE Transactions on Geoscience and Remote Sensing, vol. 55, pp. 844-853, Feb 2017. [DOI:10.1109/TGRS.2016.2616355]
8. [8] H. Teffahi, H. Yao, S. Chaib, and N. Belabid, "A novel spectral-spatial classification technique for multispectral images using extended multi-attribute profiles and sparse autoencoder," Remote Sensing Letters, vol. 10, no. 1, pp. 30-38, 2019. [DOI:10.1080/2150704X.2018.1523581]
9. [9] Z. Lin, Y. Chen, X. Zhao, and G. Wang, "Spectral-spatial classification of hyperspectral image using autoencoders," in 2013 9th International Conference on Information, Communications Signal Processing, pp. 1-5, Dec
10. [10] L. Shu, K. McIsaac, and G. R. Osinski, "Hyperspectral image classification with stacking spectral patches and convolutional neural networks," IEEE Transactions on Geoscience and Remote Sensing, pp. 1-10, 2018. [DOI:10.1109/TGRS.2018.2829400]
11. [11] W. Hu, Y. Huang, L. Wei, F. Zhang, and H. Li, "Deep convolutional neural netoworks for hyperspectral image classification," Journal of Sensors, vol. 2015, no. 3, p. 12pages, 2015. [DOI:10.1155/2015/258619]
12. [12] P. H. Swain, S. B. Vardeman, and J. C. Tilton, "Contextual classification of multispectral image data," Pattern Recognition, vol. 13, no. 6, pp. 429 - 441, 1981. [DOI:10.1016/0031-3203(81)90005-4]
13. [13] Y. Chen, H. Jiang, C. Li, X. Jia, and P. Ghamisi, "Deep feature extraction and classification of hyperspectral images based on convolutional neural networks," IEEE Transactions on Geoscience and Remote Sensing, vol. 54, pp. 6232-6251, Oct 2016. [DOI:10.1109/TGRS.2016.2584107]
14. [14] K. Makantasis, K. Karantzalos, A. Doulamis, and N. Doulamis, "Deep supervised learning for hyperspectral data classification through convolutional neural networks," in 2015 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), pp. 4959-4962, July 2015. [DOI:10.1109/IGARSS.2015.7326945]
15. [15] S. K. Roy, G. Krishna, S. R. Dubey and B. B. Chaudhuri, "HybridSN: Exploring 3-D-2-D CNN Feature Hierarchy for Hyperspectral Image Classification," in IEEE Geoscience and Remote Sensing Letters, vol. 17, no. 2, pp. 277-281, Feb. 2020, doi: 10.1109/LGRS.2019.2918719. [DOI:10.1109/LGRS.2019.2918719]
16. [16] I. Goodfellow, Y. Bengio, and A. Courville. "Deep Learning". MIT Press, 2016.
17. [17] C. Szegedy, Wei L., Yangqing J., P. Sermanet, S. Reed, D. Anguelov, D. Erhan, V. Vanhoucke, and A. Rabinovich. "Going deeper with convolutions". In IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pages 1-9, 2015 [DOI:10.1109/CVPR.2015.7298594]
18. [18] K. Sohn, H. Lee, X. Yan, "Learning structured output representation using deep conditional generative models, in: Proceedings of the Advances in Neural Information Processing Systems" (NIPS), 2015, pp. 3483-
19. [19] K. O'Shea and R. Nash. "An introduction to convolutional neural networks".CoRR, abs/1511.08458, 2015.
20. [20] Yanming Guo, Yu Liu, Ard Oerlemans, Songyang Lao, Song Wu and Michael S. Lew, "Deep learning for visual understanding: A review, Neurocomputing", http://dx.doi.org/10.1016/j.neucom.2015.09.116 [DOI:10.1016/j.neucom.2015.09.116]
21. [21] S. Li, W. Song, L. Fang, Y. Chen, P. Ghamisi and J. A. Benediktsson, "Deep Learning for Hyperspectral Image Classification: An Overview," in IEEE Transactions on Geoscience and Remote Sensing, vol. 57, no. 9, pp. 6690-6709, Sept. 2019, doi: 10.1109/TGRS.2019.2907932. [DOI:10.1109/TGRS.2019.2907932]
22. [22] A. N. Abbasi and M. He, "Convolutional Neural Network with PCA and Batch Normalization for Hyperspectral Image Classification," IGARSS 2019 - 2019 IEEE International Geoscience and Remote Sensing Symposium, 2019, pp. 959-962, doi: 10.1109/IGARSS.2019.8899329. [DOI:10.1109/IGARSS.2019.8899329]
23. [23] "A Deep Learning approach to Hyperspectral Image Classification using an improved Hybrid 3D-2D Convolutional Neural Network" September 2020 Pages 85-92. [DOI:10.1145/3411408.3411462]
24. [24] S. Ghaderizadeh, D. Abbasi-Moghadam, A. Sharifi, N. Zhao and A. Tariq, "Hyperspectral Image Classification Using a Hybrid 3D-2D Convolutional Neural Networks," in IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 14, pp. 7570-7588, 2021, doi: 10.1109/JSTARS.2021.3099118. [DOI:10.1109/JSTARS.2021.3099118]
25. [25] A. Ben Hamida et al. "3-D Deep Learning Approach for Remote Sensing Image Classification". In: IEEE Transactions on Geoscience and Remote Sensing 56.8 (2018), pp. 4420-44 2013. [DOI:10.1109/TGRS.2018.2818945]
ارسال پیام به نویسنده مسئول



XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Tekyeh-Nejad M, Ebrahimzadeh A A, Ahmadi M. Improving Classification Accuracy of Hyperspectral Image Using Convolutional Neural Networks. jgit 2023; 11 (1) :59-82
URL: http://jgit.kntu.ac.ir/article-1-895-fa.html

تکیه نژاد مهسا، ابراهیم‌زاده عطاءالله، احمدی ملیحه. بهبود دقت طبقه‌بندی تصاویر ابرطیفی با استفاده از شبکه‌های عصبی پیچشی. مهندسی فناوری اطلاعات مکانی. 1402; 11 (1) :59-82

URL: http://jgit.kntu.ac.ir/article-1-895-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 11، شماره 1 - ( 3-1402 ) برگشت به فهرست نسخه ها
نشریه علمی-پژوهشی مهندسی فناوری اطلاعات مکانی Engineering Journal of Geospatial Information Technology
Persian site map - English site map - Created in 0.05 seconds with 38 queries by YEKTAWEB 4660