[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: دوره 9، شماره 4 - ( 12-1400 ) ::
جلد 9 شماره 4 صفحات 125-109 برگشت به فهرست نسخه ها
بهبود دقت طبقه بندی تصاویر ماهواره ای ابرطیفی با استفاده از توسعه یک شبکه عصبی کانولوشن و یادگیری عمیق
سمیه محمودی، نجمه نیسانی سامانی*، آرا تومانیان
دانشگاه تهران
چکیده:   (374 مشاهده)
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.
واژه‌های کلیدی: تصاویر ابر طیفی، یادگیری عمیق، شبکه‌ عصبی کانولوشن، طبقه بندی.
متن کامل [PDF 1623 kb]   (147 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: سنجش از دور
دریافت: 1399/10/25 | پذیرش: 1400/12/16 | انتشار: 1400/12/17
فهرست منابع
1. [1] W. Zhao and S. Du, " Learning multiscale and deep representations for classifying remotely sensed imagery", ISPRS Journal of Photogrammetry and Remote Sensing, vol. 113, pp. 155-165, Mar. 2016, doi: 10.1016/j.isprsjprs.2016.01.004. [DOI:10.1016/j.isprsjprs.2016.01.004]
2. [2] M. E. Paoletti, J. M. Haut, J. Plaza, and A. Plaza, " Deep learning classifiers for hyperspectral imaging: A review", ISPRS Journal of Photogrammetry and Remote Sensing, vol. 158, pp. 279-317, 2019. [DOI:10.1016/j.isprsjprs.2019.09.006]
3. [3] G. Camps-Valls and L. Bruzzone, " Kernel-based methods for hyperspectral image classification", IEEE Transactions on Geoscience and Remote Sensing, vol. 43, no. 6, pp. 1351-1362, Jun. 2005, doi: 10.1109/TGRS.2005.846154. [DOI:10.1109/TGRS.2005.846154]
4. [4] G. Hughes, " On the mean accuracy of statistical pattern recognizers", IEEE Transactions on Information Theory, vol. 14, no. 1, pp. 55-63, Jan. 1968, doi: 10.1109/TIT.1968.1054102. [DOI:10.1109/TIT.1968.1054102]
5. [5] L. O. Jimenez and D. A. Landgrebe, " Supervised classification in high-dimensional space: geometrical, statistical, and asymptotical properties of multivariate data", IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), vol. 28, no. 1, pp. 39-54, Feb. 1998, doi: 10.1109/5326.661089. [DOI:10.1109/5326.661089]
6. [6] A. Plaza, J. Plaza, A. Paz, and S. Sanchez, " Parallel Hyperspectral Image and Signal Processing [Applications Corner]", IEEE Signal Processing Magazine, vol. 28, no. 3, pp. 119-126, May 2011, doi: 10.1109/MSP.2011.940409. [DOI:10.1109/MSP.2011.940409]
7. [7] Y. Chen, K. Zhu, L. Zhu, X. He, P. Ghamisi, and J. A. Benediktsson, 'Automatic Design of Convolutional Neural Network for Hyperspectral Image Classification', IEEE Transactions on Geoscience and Remote Sensing, vol. 57, 2019. [DOI:10.1109/TGRS.2019.2910603]
8. [8] F. Hu, G.-S. Xia, Z. Wang, X. Huang, L. Zhang, and H. Sun, " Unsupervised Feature Learning Via Spectral Clustering of Multidimensional Patches for Remotely Sensed Scene Classification", IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 8, no. 5, pp. 2015-2030, May 2015, doi: 10.1109/JSTARS.2015.2444405. [DOI:10.1109/JSTARS.2015.2444405]
9. [9] Y. Bengio, A. Courville, and P. Vincent, " Representation Learning: A Review and New Perspectives", IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 35, no. 8, pp. 1798-1828, Aug. 2013, doi: 10.1109/TPAMI.2013.50. [DOI:10.1109/TPAMI.2013.50]
10. [10] Y. Guo, Y. Liu, A. Oerlemans, S. Lao, S. Wu, and M. S. Lew, " Deep learning for visual understanding: A review", Neurocomputing, vol. 187, pp. 27-48, Apr. 2016, doi: 10.1016/j.neucom.2015.09.116. [DOI:10.1016/j.neucom.2015.09.116]
11. [11] W. Hu, Y. Huang, and L. Wei, " Deep Convolutional Neural Networks for Hyperspectral Image Classification". [Online]. Available: https://www.hindawi.com/journals/js/2015/258619/. [Accessed: 16-Oct-2019]. [DOI:10.1155/2015/258619]
12. [12] K. Makantasis, K. Karantzalos, A. Doulamis, and N. Doulamis, " Deep supervised learning for hyperspectral data classification through convolutional neural networks", in 2015 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), 2015, pp. 4959-4962, doi: 10.1109/IGARSS.2015.7326945. [DOI:10.1109/IGARSS.2015.7326945]
13. [13] A. Vallet and H. Sakamoto, " A Multi-Label Convolutional Neural Network for Automatic Image Annotation", Journal of Information Processing, vol. 23, pp. 767-775, Nov. 2015, doi: 10.2197/ipsjjip.23.767. [DOI:10.2197/ipsjjip.23.767]
14. [14] Y. Chen, Z. Lin, X. Zhao, G. Wang, and Y. Gu, " Deep Learning-Based Classification of Hyperspectral Data", IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 7, no. 6, pp. 2094-2107, Jun. 2014, doi: 10.1109/JSTARS.2014.2329330. [DOI:10.1109/JSTARS.2014.2329330]
15. [15] F. Hu, G.-S. Xia, J. Hu, and L. Zhang, " Transferring Deep Convolutional Neural Networks for the Scene Classification of High-Resolution Remote Sensing Imagery", Remote Sensing, vol. 7, no. 11, pp. 14680-14707, Nov. 2015, doi: 10.3390/rs71114680. [DOI:10.3390/rs71114680]
16. [16] T. Li, J. Zhang, and Y. Zhang, " Classification of hyperspectral image based on deep belief networks", 2014 IEEE International Conference on Image Processing (ICIP), pp. 5132-5136, 2014, doi: 10.1109/icip.2014.7026039. [DOI:10.1109/ICIP.2014.7026039]
17. [17] 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, Oct. 2016, doi: 10.1109/TGRS.2016.2584107. [DOI:10.1109/TGRS.2016.2584107]
18. [18] M. E. Paoletti, J. M. Haut, J. Plaza, and A. Plaza, " A new deep convolutional neural network for fast hyperspectral image classification", ISPRS Journal of Photogrammetry and Remote Sensing, vol. 145, pp. 120-147, Nov. 2018, doi: 10.1016/j.isprsjprs.2017.11.021. [DOI:10.1016/j.isprsjprs.2017.11.021]
19. [19] W. Zhao and S. Du, " Spectral-Spatial Feature Extraction for Hyperspectral Image Classification: A Dimension Reduction and Deep Learning Approach", IEEE Transactions on Geoscience and Remote Sensing, vol. 54, no. 8, pp. 4544-4554, Aug. 2016, doi: 10.1109/TGRS.2016.2543748. [DOI:10.1109/TGRS.2016.2543748]
20. [20] Y. Li, W. Xie, and H. Li, " Hyperspectral image reconstruction by deep convolutional neural network for classification", Pattern Recognition, vol. 63, pp. 371-383, Mar. 2017, doi: 10.1016/j.patcog.2016.10.019. [DOI:10.1016/j.patcog.2016.10.019]
21. [21] A. Romero, C. Gatta, and G. Camps-Valls, " Unsupervised Deep Feature Extraction for Remote Sensing Image Classification", p. 21, 2015. [DOI:10.1109/WHISPERS.2014.8077647]
22. [22] Z. Deng, H. Sun, S. Zhou, J. Zhao, L. Lei, and H. Zou, " Multi-scale object detection in remote sensing imagery with convolutional neural networks", ISPRS Journal of Photogrammetry and Remote Sensing, vol. 145, pp. 3-22, Nov. 2018, doi: 10.1016/j.isprsjprs.2018.04.003. [DOI:10.1016/j.isprsjprs.2018.04.003]
23. [23] P. Ghamisi, Y. Chen, and X. X. Zhu, " A Self-Improving Convolution Neural Network for the Classification of Hyperspectral Data", IEEE Geoscience and Remote Sensing Letters, vol. 13, no. 10, pp. 1537-1541, Oct. 2016, doi: 10.1109/LGRS.2016.2595108. [DOI:10.1109/LGRS.2016.2595108]
24. [24] 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, Nov. 1998, doi: 10.1109/5.726791. [DOI:10.1109/5.726791]
25. [25] M. D. Zeiler and R. Fergus, " Visualizing and Understanding Convolutional Networks", in Computer Vision - ECCV 2014, vol. 8689, D. Fleet, T. Pajdla, B. Schiele, and T. Tuytelaars, Eds. Cham: Springer International Publishing, 2014, pp. 818-833. [DOI:10.1007/978-3-319-10590-1_53]
26. [26] J. Gu et al., " Recent advances in convolutional neural networks", Pattern Recognition, vol. 77, pp. 354-377, May 2018, doi: 10.1016/j.patcog.2017.10.013. [DOI:10.1016/j.patcog.2017.10.013]
27. [27] H.-J. Yoo, " Deep Convolution Neural Networks in Computer Vision: a Review", IEIE Transactions on Smart Processing and Computing, vol. 4, pp. 35-43, Feb. 2015, doi: 10.5573/IEIESPC.2015.4.1.035. [DOI:10.5573/IEIESPC.2015.4.1.035]
28. [28] M. E. Paoletti et al., " Capsule Networks for Hyperspectral Image Classification", IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, vol. 57, no. 4, pp. 2145-2160, 2018. [DOI:10.1109/TGRS.2018.2871782]
29. [29] T.Alipour-Fard, H. Arefi, " Structure Aware Generative Adversarial Networks for Hyperspectral Image Classification", JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING , vol. 13, pp. 5424-5438, 2020. [DOI:10.1109/JSTARS.2020.3022781]
30. [30] G. Sumbul et al., " Bigearthnet: A large-scale benchmark archive for remote sensing image understanding", IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM, pp. 5901-5904, 2019. [DOI:10.1109/IGARSS.2019.8900532]
31. [31] J. Li, K. Zheng, J. Yao, L. Gao and D. Hong, " Deep Unsupervised Blind Hyperspectral and Multispectral Data Fusion", IEEE GEOSCIENCE AND REMOTE SENSING LETTERS, 2022. [DOI:10.1109/LGRS.2022.3151779]
ارسال پیام به نویسنده مسئول



XML   English Abstract   Print


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

Mahmoudi S, Neysani Samany N, Toomanian A. The Accuracy Improvement of the Hyperspectral Satellite Image Classification by Using the Development of a Convolutional Neural Network and Deep Learning. jgit. 2022; 9 (4) :109-125
URL: http://jgit.kntu.ac.ir/article-1-813-fa.html

محمودی سمیه، نیسانی سامانی نجمه، تومانیان آرا. بهبود دقت طبقه بندی تصاویر ماهواره ای ابرطیفی با استفاده از توسعه یک شبکه عصبی کانولوشن و یادگیری عمیق. مهندسی فناوری اطلاعات مکانی. 1400; 9 (4) :125-109

URL: http://jgit.kntu.ac.ir/article-1-813-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 9، شماره 4 - ( 12-1400 ) 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 0.04 seconds with 29 queries by YEKTAWEB 4422