چکيده
امروزه تصاوير ماهواره‌اي كاربرد گسترده‌اي در زمينه‌هاي مختلفي همچون نظارت بر محيط‌زيست طبيعي (آلودگي ، جنگل يا رودخانه‌ها) ، بهبود حمل‌ونقل و واكنش سريع به حوادث دارند. تصاوير نوري كه حاوي اطلاعات زياد طيفي و قابل تفسير توسط چشم انسان هستند اغلب تحت تاثير ابرها قرار مي‌گيرند. در مقايسه با آن‌ها تصاوير راداري به راحتي قابل تفسير توسط انسان نيستند و بدليل استفاده از طول موج‌هاي بلند قابليت عبور از ابرها را دارند. بسياري از حوزه‌هاي سنجش از راه دور مثل طبقه‌بندي تصاوير غيرابري، تفسير تصاوير نوري و راداري، بازسازي سه‌بعدي و تلفيق داده هاي چند حالته با روش‌هاي يادگيري عميق به نتايج خوبي دست يافته‌اند. شبكه‌هاي مولد رقابتي به عنوان يكي از اين روش‌ها توجه بسياري از محققان در اين حوزه را به خود جلب كرده است.
در اين سمينار قصد داريم مروري بر روش‌هاي حذف ابر از جمله روش‌هاي يادگيري عميق بويژه شبكه‌هاي مولد رقابتي كنيم.
واژه‌هاي كليدي: حذف ابر، شبكه مولد رقابتي، يادگيري عميق، تصاوير راداري، تصاوير نوري.
امروزه تصاوير ماهواره‌اي كاربرد گسترده‌اي در زمينه‌هاي مختلفي همچون نظارت بر محيط‌زيست طبيعي (آلودگي ، جنگل يا رودخانه‌ها) ، بهبود حمل‌ونقل و واكنش سريع به حوادث دارند. تصاوير نوري كه حاوي اطلاعات زياد طيفي و قابل تفسير توسط چشم انسان هستند اغلب تحت تاثير ابرها قرار مي‌گيرند. در مقايسه با آن‌ها تصاوير راداري به راحتي قابل تفسير توسط انسان نيستند و بدليل استفاده از طول موج‌هاي بلند قابليت عبور از ابرها را دارند. بسياري از حوزه‌هاي سنجش از راه دور مثل طبقه‌بندي تصاوير غيرابري، تفسير تصاوير نوري و راداري، بازسازي سه‌بعدي و تلفيق داده هاي چند حالته با روش‌هاي يادگيري عميق به نتايج خوبي دست يافته‌اند. شبكه‌هاي مولد رقابتي به عنوان يكي از اين روش‌ها توجه بسياري از محققان در اين حوزه را به خود جلب كرده است.
در اين سمينار قصد داريم مروري بر روش‌هاي حذف ابر از جمله روش‌هاي يادگيري عميق بويژه شبكه‌هاي مولد رقابتي كنيم.
واژه‌هاي كليدي: حذف ابر، شبكه مولد رقابتي، يادگيري عميق، تصاوير راداري، تصاوير نوري.
