fa رویکرد یادگیری عمیق مبتنی بر بلوک های تخصصی کانولوشن در استخراج جاده های شهری سنجش از دور RS پژوهشي Research <span style="font-size:10pt"><span style="text-justify:kashida"><span style="text-kashida:10%"><span style="direction:rtl"><span style="unicode-bidi:embed"><span b="" nazanin="" style="font-family:">استخراج جاده‌ها از تصاویر سنجش از دور با وضوح زیاد در طیف گسترده‌ای از کاربردها مانند تهیه و به هنگام رسانی نقشه راه&shy;ها مورد استفاده قرار گرفته است. به دلیل طول زیاد و عرض کم و همچنین سایه‌های ناشی از پوشش گیاهی و ساختمان‌ها، تشخیص جاده‌ها با چالش همراه است. وجود تنوع در جاده&shy; های موجود در یک منطقه شهری اعم از مجاورت معابر دارای طول کوتاه و بزرگراه &shy;ها و آزادراه &shy;های طویل باعث بروز مشکلاتی در تشخیص و طبقه &shy;بندی خودکار تمامی انواع معابر گردیده است. لذا، با هدف بهبود قابلیت اطمینان و دقت استخراج جاده‌ها، یک مدل شبکه عصبی در این مقاله پیشنهاد شده‌است که به قطعه‌بندی دقیق پیکسلی دست می‌یابد. شبکه پیشنهادی به‌طور مستقیم تصویر ورودی را پردازش می‌کند و از چهار بلوک کانولوشن تخصصی در طول نمونه‌برداری کاهشی استفاده می‌کند که با رویکرد نمونه‌برداری با عمق کم برای تولید یک ماسک باینری کلاس جاده تکمیل می‌شود. با توجه به اینکه <span style="color:black">شبکه‌های قطعه &shy;بندی معنایی مرسوم عمیق بوده و دارای پارامترهای قابل آموزش زیادی هستند، شبکه پیشنهادی در این تحقیق از نمونه‌برداری با عمق کم استفاده می‌کند که به کاهش عمق شبکه کمک می‌کند و در نتیجه کاهش تعداد پارامترها را به همراه دارد</span><span lang="FA" style="font-size:12.0pt"><span style="color:black">.</span></span> <span lang="FA" style="color:black">قابلیت اجرایی مدل پیشنهادی در این تحقیق با استفاده از مجموعه داده </span><span lang="FA" style="color:black">ماساچوست</span><span lang="FA" style="color:black"> ارزیابی گردید و نتایج ارزیابی به وضوح عملکرد برتر مدل پیشنهادی را در مقایسه با سایر شبکه‌های عصبی </span><span lang="FA" style="color:black">با پارامترهای کمتر</span><span lang="FA" style="color:black"> ِنشان می‌دهد.</span> مدل پیشنهادی توانست شاخص&shy;های <span dir="LTR" style="font-size:9.0pt"><span new="" roman="" style="font-family:" times="">IOU</span></span> و -<span dir="LTR" style="font-size:9.0pt"><span new="" roman="" style="font-family:" times="">F-Score</span></span> را در مجموعه داده ماساچوست در مقایسه با سایر شبکه&shy; های عصبی نظیر <span dir="LTR" style="font-size:9.0pt"><span new="" roman="" style="font-family:" times=""><span style="color:black">DeeplabV3+</span></span></span><span lang="FA" style="color:black">، </span><span dir="LTR" style="font-size:9.0pt"><span new="" roman="" style="font-family:" times=""><span style="color:black">U-Net</span></span></span><span lang="FA" style="color:black"> و </span><span dir="LTR" style="font-size:9.0pt"><span new="" roman="" style="font-family:" times=""><span style="color:black">D-LinkNet</span></span></span> به ترتیب به میزان 1/98 و 3/03 بهبود بخشد.</span></span></span></span></span></span> <div></div> <span style="font-size:12pt"><span new="" roman="" style="font-family:" times=""><span lang="EN" style="font-size:10.0pt">Road extraction from high-resolution remote sensing images has been used in a wide range of applications such as traffic management, route planning, and road navigation.</span> <span lang="EN" style="font-size:10.0pt">Due to their long length and small width, as well as shadows caused by vegetation and buildings, the detection of the roads challenging. As the roads In an area are of different types such as being near short passages, highways and motorways, we face some difficulties in automatic classifying and recognizing different kinds of roads.</span><span lang="EN" style="font-size:10.0pt"> <span style="color:black">In</span> order to improve the reliability and accuracy of extraction of the roads with shorter lengths when there are roads of different sizes; a neural network model is proposed in this paper that achieves pixel-accurate segmentation. The proposed network directly processes the input image and uses four specialized convolutional blocks (SCB) during down</span><span style="font-size:10.0pt">-</span><span lang="EN" style="font-size:10.0pt">sampling which is complemented by a shallow sampling approach to generate a binary mask for the road class. As the common semantic segmentation networks are deep and have various teachable parameters, the proposed network in this research uses shallow sampling which leads to lessen the network depth and as a result the number of the parameters decreases.</span><span lang="EN" style="font-size:10.0pt"> The performance of the proposed model in this research was evaluated using the Massachusetts dataset, and the evaluation results clearly show the superior performance of the proposed model compared to the other neural networks with fewer parameters. Compared to the other neural networks such as DEEPLAB3+, U_NET and D_LINKNET, the proposed model was able to improve the IOU and F-Score indices in Massachusetts dataset by 1.98 and 3.03, respectively.</span></span></span>&nbsp; قطعه‌بندی معنایی, استخراج جاده, تصاویر سنجش از دور, بلوک های تخصصی کانولوشن Semantic Segmentation, road extraction, Deep Learning, specialized convolutional blocks 83 94 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-743-3&slc_lang=fa&sid=1 Mohammad Erfan Omati محمدعرفان امتی eraynzomati37@gmail.com 10031947532846009950 10031947532846009950 No Shahid Rajaee Teacher Training University دانشگاه تربیت دبیر شهید رجایی Fatemeh Tabib Mahmoudi فاطمه طبیب محمودی fmahmoudi@sru.ac.ir 10031947532846009951 10031947532846009951 Yes Shahid Rajaee Teacher Training University دانشگاه تربیت دبیر شهید رجایی