Journal of Geospatial Information Technology

fa بهبود دقت طبقه بندی تصاویر ماهواره ای ابرطیفی با استفاده از توسعه یک شبکه عصبی کانولوشن و یادگیری عمیق The Accuracy Improvement of the Hyperspectral Satellite Image Classification by Using the Development of a Convolutional Neural Network and Deep Learning سنجش از دور RS پژوهشي Research امروزه با پیشرفت تکنولوژی، سنجندههای متعدد، تصاویر ابرطیفی با رزولوشن طیفی و مکانی بالا تهیه میکنند. تا کنون روشهای متعددی برای طبقهبندی تصاویر ابرطیفی ارائه شدهاند که هرکدام سعی دارند بر تعدادی از چالشهای محاسباتی و پردازشی دادههای ابرطیفی فائق آیند. کارایی شبکه های عصبی چندلایه به دلیل افزایش تعداد پارامترها همزمان با افزایش تعداد لایه ها ،که در موضوعات پیچیده همچون طبقه بندی تصاویر ابرطیفی ضروری است، بسیار کاهش پیدا می کند. در سالهای اخیر مفهوم یادگیری عمیق و به ویژه شبکههای عصبی کانولوشن، به دلیل تولید اتوماتیک ویژگیها و کاهش پارامترها نسبت به شبکههای عصبی چندلایهی پرسپترون با به اشتراک گذاشتن پارامترها در هر لایه، بسیار مورد توجه محققان در حوزهی شناسایی الگو قرار گرفته است. هدف کلی تحقیق پیش رو، ارائهی چارچوبی مبتنی بر مفاهیم یادگیری عمیق، به واسطهی توسعهی یک شبکه عصبی کانولوشن(CNN) برای طبقه بندی تصاویر ابرطیفی است. چارچوب مذکور شامل چهار مرحله است. مرحلهی اول) کاهش بعد با استفاده از روش زیرفضا، مرحلهی دوم) آمادهسازی ورودیهای CNN، مرحلهی سوم) غنیسازی دادههای آموزشی، مرحلهی چهارم) طراحی معماری CNN. پیادهسازی چارچوب پیشنهادی بر روی دادههای بنچ مارک دانشگاه پاویا، علیرغم بکارگیری تعداد محدودی دادهی آموزشی، موجب حصول صحت طبقهبندی 98/3 درصد شد. Nowadays, with the advancement of technology, numerous sensors provide high spatial and spectral resolution images. So far, several methods have been proposed for hyperspectral image classification, each of which seeks to overcome a number of computational and processing challenges of hyperspectral data. The efficiency of multi-layer perceptron neural networks is greatly reduced due to the increase in the number of parameters along with the increase of the layers, which is essential in complex topics such as hyperspectral image classification. In recent years, the concept of deep learning, especially convolutional neural networks (CNN), has attracted the attention of pattern recognition researchers due to the automatic generation of features and the reduction of parameters compared to the multi-layer perceptron neural networks by sharing the parameters in each layer. The goal of the present study is to develop a convolutional neural networks (CNN in order to classify hyperspectral images. The innovation of this study is to provide a framework to use deep learning. The proposed framework includes four steps. The first step is to reduce dimension by using the sub-space method, the second step is to prepare the CNN inputs, the third step is to augment the teaching data, and the fourth step is to design the CNN architecture. Implementation of the proposed framework on the benchmark data of the University of Pavia, despite the use of a limited number of educational data, led to the classification accuracy of 98.3%. تصاویر ابر طیفی, یادگیری عمیق, شبکه‌ عصبی کانولوشن, طبقه بندی. Hyperspectral Images, Classification, Deep Learning, Convolutional Neural Network. 109 125 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-103-4&slc_lang=fa&sid=1 Somayeh Mahmoudi سمیه محمودی somaye.mahmoudi@ut.ac.ir 10031947532846009270 10031947532846009270 No University of Tehran دانشگاه تهران Najmeh Neysani Samany نجمه نیسانی سامانی nneysani@ut.ac.ir 10031947532846009271 10031947532846009271 Yes University of Tehran دانشگاه تهران Ara Toomanian آرا تومانیان a.toomanian@ut.ac.ir 10031947532846009272 10031947532846009272 No University of Tehran دانشگاه تهران