[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: 338
نرخ پذیرش: 63.2
نرخ رد: 36.8
میانگین داوری: 207 روز
میانگین انتشار: 342 روز
..
:: ::
برگشت به فهرست مقالات برگشت به فهرست نسخه ها
شناسایی تغییرات چند کلاسه ساختمانی با استفاده از شبکه های یادگیری عمیق مبتنی بر داده های سه بعدی هوایی و ماهواره ای
اکرم افتخاری* ، فرهاد صمدزادگان ، فرزانه دادرس جوان
چکیده:   (135 مشاهده)

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 ۰.۵ 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.

 

واژه‌های کلیدی: داده‌های سنجش از دور سه‌بعدی، تشخیص تغییر چندکلاسه ساختمانی، شبکه‌های مبدل، بلوک‌های توجه مکانی و کانالی، افزایش داده.
     
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
ارسال پیام به نویسنده مسئول


XML   English Abstract   Print



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
برگشت به فهرست مقالات 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 38 queries by YEKTAWEB 4714