TY - JOUR T1 - Evaluation and comparison performance of deep neural networks FCN and RDRCNN in order to identify and extract urban road using images of Sentinel-2 with medium spatial resolution TT - ارزیابی و مقایسه عملکرد شبکه های عصبی عمیق FCN و RDRCNN به‌منظور شناسایی و استخراج عارضه راه شهری با استفاده از تصاویر سنتینل-2 با قدرت تفکیک مکانی متوسط JF - kntu-jgit JO - kntu-jgit VL - 9 IS - 3 UR - http://jgit.kntu.ac.ir/article-1-840-fa.html Y1 - 2021 SP - 109 EP - 133 KW - deep neural networks(DNN) KW - Road Extraction KW - RDRCNN KW - FCN KW - Sentinel-2 N2 - استخراج عارضه­ راه با استفاده از تصاویر سنجش ­ازدور طی سال­های گذشته به‌عنوان یکی از موضوعات جذاب، موردتوجه محققین بوده است. اخیراً پیشرفت و توسعه­ی شبکه ­های عصبی عمیق (DNN) در بخش تقسیم­بندی معنایی به یکی از روش­های مهم استخراج راه تبدیل‌شده است. در این میان اکثریت تحقیقات انجام‌شده درزمینه‌ی استخراج عارضه­ی راه با بهره­گیری از DNN در مناطق شهری و غیرشهری با استفاده از تصاویر با قدرت تفکیک مکانی بالا انجام‌گرفته است. در این تحقیق برای اولین بار جهت استخراج عارضه­ی راه با استفاده DNN، از تصاویر با وضوح مکانی متوسط سنجنده­ سنتینل 2 بهره گرفته شد، به این صورت که از تصویر شهر تهران به‌عنوان داده­ی تست و از 7 شهر دیگر (مشهد، اصفهان، شیراز، تبریز، کرمانشاه، ارومیه و بغداد) به‌عنوان داده­های آموزش و اعتبارسنجی، استفاده گردید. در این میان، پس از آماده‌سازی و برچسب­ زنی همه­­ی پیکسل­های مربوط به عارضه­ی راه، تصاویر به قطعات 256 در 256 پیکسل تبدیل و پس از جداسازی قطعات نامناسب، برای داده­های تست، آموزش و اعتبارسنجی به ترتیب 135، 1500 و 100 قطعه تصویر به دست آمد. درنهایت برای آموزش و استخراج عارضه­ی راه، از شبکه­ها­ی عصبی کانولوشن باقیمانده عمیق پالایش­شده (RDRCNN) و U-Net که مبتنی بر شبکه­های کاملاً کانولوشن (FCN) است، استفاده شد. نتایج حاصله حاکی از آن است که هر دو مدل RDRCNN و FCN در مقایسه با داده­های واقعیت زمینی شبکه راه شهری تهران را از تصاویر سنتینل 2 به‌خوبی شناسایی و استخراج کرده­اند. در این میان مدل FCN هم ازنظر بصری و هم ازنظر متریک­های ارزیابی صحت نسبت به مدل RDRCNN عملکرد بهتری داشته، به‌طوری‌که برای مدل FCN، معیارهای کامل­بودن 82.92%، صحت 77.67%، امتیازF1 %80.20 و دقت کلی96.30% و برای RDRCNN معیارهای کامل­بودن 80.43%، صحت 71.37، امتیازF1 %77.74 و دقت کلی 95.71% به دست آمد. به‌طورکلی یافته­های این پژوهش پتانسیل استفاده از روش­های DNN برای استخراج عارضه­ی راه شهری با بهره­گیری از تصاویر باقدرت تفکیک مکانی متوسط سنتینل 2 را نشان ­می­دهد. M3 10.52547/jgit.9.3.109 ER -