|
LDA-RPNET: بهبود عملکرد شبکه نواحی تصادفی با استفاده از آنالیز تفکیک‌پذیری خطی به‌منظور استخراج ویژگیهای نظارت‌شده عمیق از تصاویر ابرطیفی
|
| بهنام اصغری بیرامی*، مهدی مختارزاده |
| دانشگاه صنعتی خواجه نصیر |
|
|
چکیده: (193 مشاهده) |
در سالیان اخیر مدل‌های عمیق توفیق فراوانی در شاخه‌های مختلف پردازش تصویر پیدا کرده‌اند. به طور اخص در پردازش داده‌های ابرطیفی از این مدل‌ها در شاخه‌هایی نظیر طبقهبندی و شناسایی اهداف استفاده شده است. اخیراً روش شبکه نواحی تصادفی به منظور استخراج ویژگیهای عمیق برای طبقهبندی تصاویر ابرطیفی پیشنهاد شده است. اهمیت این شبکه در آن است که ویژگیهای عمیق را به صورت بدون نظارت استخراج میکنند و عملکردی سریع دارد. علیرغم عملکرد مطلوب این شبکه، از آنجایی که در ساختار اصلی آن از روش تبدیل مؤلفه اصلی استفاده می‌شود، در ویژگیهای استخراج شده قید بیشینه شدن تفکیک‌پذیری میان کلاس‌ها در نظر گرفته نشده است. از این رو در این تحقیق از آنالیز تفکیک‌پذیری خطی به منظور بهبود ساختار این شبکه استفاده شده است. نتایج پیاده‌سازی‌ها بر روی دو مجموعه داده ابرطیفی نشان از آن دارد که روش پیشنهادی ویژگیهای مناسب‌تر و کم بعدتری را برای طبقهبندی تصاویر ابرطیفی استخراج میکند. به طور کلی روش پیشنهادی توانسته است که ضمن افزایش سرعت و فشردهسازی بیشتر ابعاد داده، دقت کلی طبقهبندی را تا 5/2 درصد نسبت به روش شبکه نواحی تصادفی افزایش دهد.
|
|
| واژه‌های کلیدی: طبقهبندی تصاویر ابرطیفی، شبکه‌های نواحی تصادفی، تبدیل آنالیز تفکیک‌پذیری خطی، تبدیل مؤلفه اصلی، ویژگیهای سلسله مراتبی عمیق |
|
|
|
نوع مطالعه: پژوهشي |
موضوع مقاله:
سنجش از دور
دریافت: 1398/8/25 | پذیرش: 1399/2/20 | انتشار الکترونیک پیش از انتشار نهایی: 1401/1/23
|
|
|
|
|
|
|
| ارسال پیام به نویسنده مسئول |
|
|
