تشخیص تغییرات سهبعدی در ساختمانها نقشی حیاتی در نظارت شهری، توسعه پایدار، و مدیریت بلایا دارد. این پژوهش روشی نوآورانه برای تشخیص تغییرات چند کلاسه ساختمانها ارائه میکند. روش پیشنهادی با ترکیب دو معماری پیشرفته شامل شبکه مبدل سیامی و مکانیزمهای توجه مکانی - کانالی، قابلیت تشخیص دقیق تغییرات ساختمانی را بهصورت خودکار فراهم میسازد. نوآوری اصلی این کار در طراحی یک بلوک کدگذار مبتنی بر توجه دوگانه است که بهصورت همزمان روابط مکانی محلی و وابستگیهای کانالی را برای شناسایی تغییرات تحلیل میکند.یکی از چالشهای کلیدی در زمینه شناسایی تغییرات، توزیع نامتعادل کلاسها (مانند ساختمانهای بدون تغییر، سازههای جدید و ساختمانهای تخریبشده) است. برای حل این مشکل، از روشهایی نظیر تقویت مؤثرتر دادهها و استخراج قطعات همپوشان در مرحله پیشپردازش استفاده شده است. روش پیشنهادی بر روی یک مجموعهداده استریو از ماهواره GeoEye-1 با قدرت تفکیک 0/5 متر و یک مجموعهداده استریو هوایی با قدرت تفکیک 0/08 متر پیادهسازی شده است. با اعمال روش پیشنهادی در آزمایشها، ضرایب کاپای ۹۴% و ۹۳% برای مجموعهدادههای ماهوارهای و هوایی بهدستآمده است که در مقایسه با سایر روشهای پیشرفته مانند ChangeFormer با ضریب کاپا ۹۱% برای هر دو مجموعهداده، بهبود قابلملاحظهای (افزایش ۳ درصدی ضریب کاپا) حاصل شده است. این مدل با بهبود استخراج ویژگیها و عملکرد مناسب روی دادههای متنوع، به ابزاری قدرتمند برای نظارت بر محیطهای شهری تبدیل شده و راهکاری مقیاسپذیر و قابلاعتماد برای برنامهریزی و مدیریت شهری ارائه میدهد.
نوع مطالعه: پژوهشي |
موضوع مقاله: سنجش از دور دریافت: 1403/10/15 | پذیرش: 1404/3/18 | انتشار الکترونیک پیش از انتشار نهایی: 1404/5/14 | انتشار: 1404/6/9
Eftekhari A, Samadzadegan F, Dadrass javan F. Multiclass Building Change Detection Using Deep Learning Networks Based on 3D Aerial and Satellite Datasets. jgit 2025; 13 (1) :95-120 URL: http://jgit.kntu.ac.ir/article-1-972-fa.html
افتخاری اکرم، صمدزادگان فرهاد، دادرس جوان فرزانه. شناسایی تغییرات چند کلاسه ساختمانی با استفاده از شبکه های یادگیری عمیق مبتنی بر داده های سه بعدی هوایی و ماهواره ای. مهندسی فناوری اطلاعات مکانی. 1404; 13 (1) :95-120