[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: دوره 7، شماره 2 - ( 6-1398 ) ::
جلد 7 شماره 2 صفحات 241-263 برگشت به فهرست نسخه ها
تلفیق الگوریتم‌های یادگیری عمیق و فیلترهای دوطرفه با هدف استخراج ساختمان از تک‌تصویر نوری هوایی
مهدی خوش برش ماسوله، رضا شاه حسینی، عبدالرضا صفری
دانشگاه تهران
چکیده:   (560 مشاهده)
مسئله استخراج ساختمان از تک‌تصویر نوری هوایی با قدرت تفکیک مکانی بالا، همواره به‌عنوان یکی از چالش‌های مهم در تهیه نقشه به‌شمار می‌آید. هدف از پژوهش حاضر، بهره‌گیری از قطعه‌بندی معنایی تک‌تصویر نوری هوایی بر پایه تلفیق شبکه‌های عصبی کانوولوشنی عمیق و فیلترهای دوطرفه جهت استخراج ساختمان می‌باشد. به‌همین‌منظور، پس از انتخاب یک مجموعه داده مناسب از تصاویر نوری سه‌باندی، با در نظر گرفتن این‌که برای آموزش شبکه‌های عصبی عمیق نیاز است تا داده‌های آموزشی با تعداد زیاد انتخاب شوند و باتوجه به محدودیت‌های سخت‌افزاری در این پژوهش، پس از چندین بار آزمایش، حداقل داده‌ای که بالاترین نرخ دقت آموزش را به دست می‌دهد انتخاب گردید؛ تا نتایج به‌دست آمده، از کمبود داده‌های آموزشی تأثیر منفی نپذیرد. در این پژوهش، با بهینه‌سازی شبکه عصبی عمیق سِگنت که از نوع شبکه‌های کدگذار-کدگشا می‌باشد، با استفاده از تابع بهینه‌سازی برآورد لحظه تطبیقی و به‌کارگیری فیلترهای دوطرفه با کرنل گوسین، فرآیند پردازش و استخراج ساختمان از تصاویر نوری صورت گرفته است. نتایج تحقیق بر روی مجموعه داده مربوط به تصاویر نوری هوایی از مناطق شهری واقع در شهر پوتسدام آلمان از مجموعه داده‌های دو بعدی برچسب‌دار انجمن بین‌المللی فتوگرامتری و سنجش‌ازدور نشان داد؛ به‌کارگیری تلفیقی شبکه عصبی عمیق بهینه‌سازی شده سِگنت و فیلترهای دو طرفه با کرنل گوسین قابلیت‌های بسیار مناسبی از نظر بهبود شناسایی مرز ساختمان در مقایسه با روش‌های مشابه از تصاویر نوری با قدرت تفکیک مکانی بالا دارد. همچنین نتایج حاصل از روش پیشنهادی تحقیق با معیارهای تمامیّت و صحّت برای سه منطقه تست به ترتیب 14/95 و 37/92 درصد برای منطقه تست شماره یک، 67/91 و 20/90 برای منطقه تست شماره دو، 14/96 و 98/93 برای منطقه تست شماره سه می‌باشد.
واژه‌های کلیدی: استخراج ساختمان، تک‌تصویر نوری هوایی، قطعه‌بندی معنایی، شبکه‌های عصبی کانوولوشنی عمیق، فیلترهای دوطرفه
متن کامل [PDF 2034 kb]   (260 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: سنجش از دور
دریافت: ۱۳۹۷/۲/۳۱ | پذیرش: ۱۳۹۷/۸/۱۲ | انتشار: ۱۳۹۸/۶/۳۱
فهرست منابع
1. [1] K. Chen, K. Fu, X. Gao, M. Yan, X. Sun, and H. Zhang, "Building extraction from remote sensing images with deep learning in a supervised manner," 2017 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Jul. 2017. [DOI:10.1109/IGARSS.2017.8127295]
2. [2] Z. Huang, G. Cheng, H. Wang, H. Li, L. Shi, and C. Pan, "Building extraction from multi-source remote sensing images via deep deconvolution neural networks," 2016 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Jul. 2016. [DOI:10.1109/IGARSS.2016.7729471]
3. [3] S. Saito and Y. Aoki, "Building and road detection from large aerial imagery," Image Processing: Machine Vision Applications VIII, Feb. 2015. [DOI:10.1117/12.2083273]
4. [4] MIT Technology Review, 2018 [Online]. Available: https://www.technologyreview.com/Lists/technologies/2018/.
5. [5] X. X. Zhu, D. Tuia, L. Mou, G. Xia, L. Zhang, F. Xu, and F. Fraundorfer, "Deep Learning in Remote Sensing: A Review," IEEE geoscience and remote sensing magazine, in press, Oct. 2017.
6. [6] Y. Xu, L. Wu, Z. Xie, and Z. Chen, "Building Extraction in Very High Resolution Remote Sensing Imagery Using Deep Learning and Guided Filters," Remote Sensing, vol. 10, no. 1, p. 144, Jan. 2018. [DOI:10.3390/rs10010144]
7. [7] E. Maggiori, Y. Tarabalka, G. Charpiat, and P. Alliez, "Convolutional Neural Networks for Large-Scale Remote-Sensing Image Classification," IEEE Transactions on Geoscience and Remote Sensing, vol. 55, no. 2, pp. 645-657, Feb. 2017. [DOI:10.1109/TGRS.2016.2612821]
8. [8] M. Radovic, O. Adarkwa, and Q. Wang, "Object Recognition in Aerial Images Using Convolutional Neural Networks," Journal of Imaging, vol. 3, no. 4, p. 21, Jun. 2017. [DOI:10.3390/jimaging3020021]
9. [9] Y. Long, Y. Gong, Z. Xiao, and Q. Liu, "Accurate Object Localization in Remote Sensing Images Based on Convolutional Neural Networks," IEEE Transactions on Geoscience and Remote Sensing, vol. 55, no. 5, pp. 2486-2498, May 2017. [DOI:10.1109/TGRS.2016.2645610]
10. [10] M. Vakalopoulou, K. Karantzalos, N. Komodakis, and N. Paragios, "Building detection in very high resolution multispectral data with deep learning features," 2015 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Jul. 2015. [DOI:10.1109/IGARSS.2015.7326158]
11. [11] S. Saito, T. Yamashita, and Y. Aoki, "Multiple Object Extraction from Aerial Imagery with Convolutional Neural Networks," Journal of Imaging Science and Technology, vol. 60, no. 1, pp. 104021-104029, Jan. 2016. [DOI:10.2352/J.ImagingSci.Technol.2016.60.1.010402]
12. [12] Z. Zhong, J. Li, W. Cui, and H. Jiang, "Fully convolutional networks for building and road extraction: Preliminary results," 2016 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Jul. 2016. [DOI:10.1109/IGARSS.2016.7729406]
13. [13] Y. Lecun, L. Bottou, Y. Bengio, and P. Haffner, "Gradient-based learning applied to document recognition," Proceedings of the IEEE, vol. 86, no. 11, pp. 2278-2324, 1998. [DOI:10.1109/5.726791]
14. [14] M. Längkvist, A. Kiselev, M. Alirezaie, and A. Loutfi, "Classification and Segmentation of Satellite Orthoimagery Using Convolutional Neural Networks," Remote Sensing, vol. 8, no. 4, p. 329, Apr. 2016. [DOI:10.3390/rs8040329]
15. [15] A. Krizhevsky, I. Sutskever, and G. E. Hinton, "ImageNet classification with deep convolutional neural networks," Communications of the ACM, vol. 60, no. 6, pp. 84-90, May 2017. [DOI:10.1145/3065386]
16. [16] T. Bluche, H. Ney, and C. Kermorvant, "Feature Extraction with Convolutional Neural Networks for Handwritten Word Recognition," 2013 12th International Conference on Document Analysis and Recognition, Aug. 2013. [DOI:10.1109/ICDAR.2013.64]
17. [17] K. Noda, N. Hashimoto, K. Nakadai, and T. Ogata, "Sound source separation for robot audition using deep learning," 2015 IEEE-RAS 15th International Conference on Humanoid Robots (Humanoids), Nov. 2015. [DOI:10.1109/HUMANOIDS.2015.7363579]
18. [18] G. Fu, C. Liu, R. Zhou, T. Sun, and Q. Zhang, "Classification for High Resolution Remote Sensing Imagery Using a Fully Convolutional Network," Remote Sensing, vol. 9, no. 12, p. 498, May 2017. [DOI:10.3390/rs9050498]
19. [19] T. Nguyen, J. Han, and D.-C. Park, "Satellite image classification using convolutional learning," American Institute of Physics, pp.2237-2240, Oct 2013. [DOI:10.1063/1.4825984]
20. [20] Y. Shu, "Deep Convolutional Neural Networks for Object Extraction from High Spatial Resolution Remotely Sensed Imagery," Thesis (PhD), University of Waterloo, 2014.
21. [21] F. Alidoost and H. Arefi, "Knowledge Based 3D Building Model Recognition Using Convolutional Neural Networks From LiDAR and Aerial Imageries," ISPRS - International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, vol. XLI-B3, pp. 833-840, Jun. 2016. [DOI:10.5194/isprs-archives-XLI-B3-833-2016]
22. [22] G. Masi, D. Cozzolino, L. Verdoliva, and G. Scarpa, "Pansharpening by Convolutional Neural Networks," Remote Sensing, vol. 8, no. 7, p. 594, Jul. 2016. [DOI:10.3390/rs8070594]
23. [23] K. Bittner, S. Cui, and P. Reinartz, "Building Extraction from Remote Sensing Data using fully Convolutional Networks," ISPRS - International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, vol. XLII-1/W1, pp. 481-486, May 2017. [DOI:10.5194/isprs-archives-XLII-1-W1-481-2017]
24. [24] V. Badrinarayanan, A. Kendall, and R. Cipolla, "SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 39, no. 12, pp. 2481-2495, Dec. 2017. [DOI:10.1109/TPAMI.2016.2644615]
25. [25] G. Wu, X. Shao, Z. Guo, Q. Chen, W. Yuan, X. Shi, Y. Xu, and R. Shibasaki, "Automatic Building Segmentation of Aerial Imagery Using Multi-Constraint Fully Convolutional Networks," Remote Sensing, vol. 10, no. 3, p. 407, Mar. 2018. [DOI:10.3390/rs10030407]
26. [26] G. Goyal, "Impact & Analysis of Improved Bilateral Filter on TEM Images," International Journal of Science and Research (IJSR), vol. 3, Issue 6, Jun. 2014.
27. [27] R. Hecht-Nielsen, "Theory of the backpropagation neural network," in International Joint Conference on Neural Networks (IJCNN), 1989. [DOI:10.1109/IJCNN.1989.118638]
28. [28] 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, no. 10, pp. 6232-6251, 2016. [DOI:10.1109/TGRS.2016.2584107]
29. [29] N. Kussul, M. Lavreniuk, S. Skakun, and A. Shelestov, "Deep Learning Classification of Land Cover and Crop Types Using Remote Sensing Data," IEEE Geoscience and Remote Sensing Letters, vol. 14, no. 5, pp. 778-782, May 2017. [DOI:10.1109/LGRS.2017.2681128]
30. [30] S. Muruganandham, "Semantic Segmentation of Satellite Images using Deep Learning," Thesis (M.Sc), Czech Technical University in Prague, Aug. 2016.
31. [31] M. Anthimopoulos, S. Christodoulidis, L. Ebner, A. Christe, and S. Mougiakakou, "Lung Pattern Classification for Interstitial Lung Diseases Using a Deep Convolutional Neural Network," IEEE Transactions on Medical Imaging, vol. 35, no. 5, pp. 1207-1216, May 2016. [DOI:10.1109/TMI.2016.2535865]
32. [32] D. P. Kingma, and J.L. Ba, "Adam: A method for stochastic optimization," arXiv preprint arXiv: 1412.6980, 2014.
33. [33] H. Adldoost, "Optimization of Image Fusion using Guided Filtering," Thesis (M.Sc), Kharazmi University, Sep. 2015.
34. [34] Shutao Li, Xudong Kang, and Jianwen Hu, "Image Fusion With Guided Filtering," IEEE Transactions on Image Processing, vol. 22, no. 7, pp. 2864-2875, Jul. 2013. [DOI:10.1109/TIP.2013.2244222]
35. [35] F. Durand and J. Dorsey, "Fast bilateral filtering for the display of high-dynamic-range images," Proceedings of the 29th annual conference on Computer graphics and interactive techniques - SIGGRAPH '02, 2002. [DOI:10.1145/566570.566574]
36. [36] S. Paris, "A gentle introduction to bilateral filtering and its applications," ACM SIGGRAPH 2007 courses on - SIGGRAPH '07, 2007. [DOI:10.1145/1281500.1281604]
37. [37] S. Paisitkriangkrai, J. Sherrah, P. Janney, and A. Van-Den Hengel, "Effective semantic pixel labelling with convolutional networks and Conditional Random Fields," 2015 IEEE Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), Jun. 2015. [DOI:10.1109/CVPRW.2015.7301381]
38. [38] International Society for Photogrammetry and Remote Sensing (ISPRS) and BSF Swissphoto: WG3 Potsdam overhead data. http://www2.isprs.org/commissions/comm3 /wg4/tests.html.
39. [39] P. Kaiser, J. D. Wegner, A. Lucchi, M. Jaggi, T. Hofmann, and K. Schindler, "Learning Aerial Image Segmentation From Online Maps," IEEE Transactions on Geoscience and Remote Sensing, vol. 55, no. 11, pp. 6054-6068, Nov. 2017. [DOI:10.1109/TGRS.2017.2719738]
40. [40] N. Audebert, A. Boulch, H. Randrianarivo, B. Le Saux, M. Ferecatu, S. Lefevre, and R. Marlet, "Deep learning for urban remote sensing," 2017 Joint Urban Remote Sensing Event (JURSE), Mar. 2017. [DOI:10.1109/JURSE.2017.7924536]
41. [41] M. Volpi and D. Tuia, "Dense Semantic Labeling of Subdecimeter Resolution Images With Convolutional Neural Networks," IEEE Transactions on Geoscience and Remote Sensing, vol. 55, no. 2, pp. 881-893, Feb. 2017. [DOI:10.1109/TGRS.2016.2616585]
42. [42] https://en.wikipedia.org/wiki/Germay
43. [43] https://en.wikipedia.org/wiki/Potsdm
44. [44] T. Panboonyuen, P. Vateekul, K. Jitkajornwanich, S. Lawawirojwong, and P. Srestasathiern, "Road Segmentation on Remotely-Sensed Images Using Deep Convolutional Neural Networks with Landscape Metrics and Conditional Random Fields," Jun. 2017. [DOI:10.20944/preprints201706.0012.v1]
45. [45] V. Badrinarayanan, A. Handa, R. Cipolla, "Segnet: A deep convolutional encoder-decoder architecture for robust semantic pixel-wise labelling," arXiv preprint arXiv: 1505.07293, 2015.


XML   English Abstract   Print


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

Khoshboresh Masouleh M, Shah-Hosseini R, Safari A R. Integration of Deep Learning Algorithms and Bilateral Filters with the Purpose of Building Extraction from Mono Optical Aerial Imagery. jgit. 2019; 7 (2) :241-263
URL: http://jgit.kntu.ac.ir/article-1-724-fa.html

خوش برش ماسوله مهدی، شاه حسینی رضا، صفری عبدالرضا. تلفیق الگوریتم‌های یادگیری عمیق و فیلترهای دوطرفه با هدف استخراج ساختمان از تک‌تصویر نوری هوایی. مهندسی فناوری اطلاعات مکانی. 1398; 7 (2) :241-263

URL: http://jgit.kntu.ac.ir/article-1-724-fa.html



دوره 7، شماره 2 - ( 6-1398 ) 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 0.06 seconds with 30 queries by YEKTAWEB 4072