متن کامل خبر


 
جلسه دفاع از پایان‌نامه: آقای محمد قاسمی، گروه مهندسی مخابرات

خلاصه خبر: استخراج اطلاعات طیفی-مکانی تصاویر ابر طیفی با استفاده از یادگیری عمیق

  • عنوان: استخراج اطلاعات طیفی-مکانی تصاویر ابر طیفی با استفاده از یادگیری عمیق
  • ارائه‌کننده: محمد قاسمی
  • استاد راهنما: دکتر محمدحسن قاسمیان
  • استاد ناظر داخلی اول: دکتر پائیز عزمی
  • استاد ناظر خارجی اول: دکتر فردین میرزاپور (دانشگاه: صدارا)
  • استاد مشاور اول: دکتر مریم ایمانی
  • مکان: آزمایشگاه پردازش تصویر و آنالیز اطلاعات
  • تاریخ: 97/04/10
  • ساعت: 09:00

چکیده:  طبقه‌بندی داده‌های ابر طیفی یک موضوع مهم در سنجش از دور است. در تصویربرداری ابر طیفی برای هر پیکسل طیفی از طول‌موج‌های مختلف وجود دارد. این طیف‌ها خواص مواد، یعنی امضاهای طیفی را نشان می‌دهند. بنابراین، طبقه‌بندی تصاویر ابر طیفی بر اساس خواص مواد است. پیشرفت‌های اخیر در ایجاد تصاویر ابر طیفی با دقت مکانی بالا، لزوم استفاده توأم از اطلاعات طیفی و مکانی در طبقه‌بندی تصاویر ابر طیفی را ایجاب می‌کند. در سال‌های اخیر تلاش‌های بسیاری در زمینه طبقه‌بندی داده‌های ابر طیفی صورت گرفته است. بیشتر روش‌های معرفی شده بر استخراج ویژگی‌های طیفی و روش‌های کلاسیک طبقه‌بندی تکیه دارند. در سال‌های اخیر نشان داده شده است که یادگیری عمیق از پتانسیل بالایی برای طبقه‌بندی داده‌های ابر طیفی برخوردار است. یادگیری عمیق رویکردی است که در آن ویژگی‌ها به‌صورت سلسله‌مراتبی در یک چهارچوب یادگیری با نظارت به دست می‌آیند. بنابراین، در این پایان‌نامه دو روش مبتنی بر یادگیری عمیق برای طبقه‌بندی تصاویر ابر طیفی پیشنهاد می‌گردد. در روش پیشنهادی اول از یک چهارچوب یادگیری مبتنی بر شبکه‌های باور عمیق (DBN) برای استخراج ویژگی‌های ادغام شده مکانی و طیفی استفاده می‌گردد. سپس از طبقه بند ماشین بردار پشتیبان برای طبقه‌بندی ویژگی‌های ادغام‌شده منتجه استفاده می‌گردد. در روش پیشنهادی دوم پس از استخراج ویژگی‌های مکانی با استفاده از فیلترهای سنتی، در کنار ویژگی طیفی قرار داده می‌شوند. ویژگی‌های در کنار هم قرارگرفته به یک معماری شبکه‌های عصبی کانولوشنی (CNN) وارد می‌شوند تا ویژگی‌های عمیق مورد استفاده برای طبقه‌بندی استخراج گردند. نتایج شبیه‌سازی نشان می‌دهد که ترکیب ویژگی‌های طیفی و مکانی با استفاده از یک چهارچوب مبتنی بر یادگیری عمیق منجر به افزایش دقت طبقه‌بندی 5 درصد در مقایسه با روش‌های رایج می‌گردد.
کلمات کلیدی:  طبقه‌بندی داده ابر طیفی، یادگیری عمیق، شبکه عصبی کانولوشن (CNN) ، شبکه باور عمیق (DBN)، استخراج ویژگی

6 تیر 1397 / تعداد نمایش : 368