21101

۲۱۱۰۱

تشخيص شي در تصاوير سنجش از دور با استفاده از يادگيري عميق

كارشناسي ارشد

هوش مصنوعي و رپاتيكز

۹۵-۹۸

۱۳۹۸/۱/۳۱

دكتر محسن سرياني

دكتر محمدرضا محمدي

كامپيوتر

چكيده با توجه به پيشرفت هاي فناوري بي سابقه در حوزه‌ي سنجش از دور به تازگي زمينه هاي كاربردي اين تصاوير گسترش يافته است و همزمان ميزان كارايي اين كاربردها نيز به طور قابل توجهي بهبود يافته است. تشخيص شي در تصاوير سنجش از دور با توجه به اطلاعات پس‌زمينه پيچيده‌اي كه دارند نسبت به تصاوير طبيعي با چالش‌هاي بيشتر مواجه است. تصاوير سنجش از دور اطلاعاتي در مورد بافت، شكل و ساختار اشياء در سطح زمين ارائه مي دهند و مي توانند براي شناسايي دقيق شي مورد استفاده قرار گيرند.هدف از اين پايانامه شناسايي اشيا در تصاوير هوايي است.ما از مجموعه داده اي شامل 10 كلاس اشيا مانند كشتي، هواپيماو .... استفاده كرده ايم. مجموعه داده استفاده شده با سه روش مختلف افزوده شده است. اين سه روش افزونگي شامل چرخش، آينه سازي و چرخش-آينه سازي است. ما نتايج را با استفاده از معيار دقت ميانگينAP) ) ارزيابي كرده ايم و نتايج خود را با نتايج كارهاي قبلي مقايسه نموديم. ما دريافتيم كه RetinaNet پيشنهاد شده‌ي ما اشيا را به ميزان 2.84% بهتر از روش‌هاي استفاده شده در آثار قبلي براي كلاس هاي مشابه تشخيص مي‌دهد. علاوه بر اين، ما مشاهده كرديم كه بدترين نتايج روش ما براي افزونگي چرخش حاصل مي شود. با تحليل نتايج و انجام بسياري از آزمايش ها توانستيم مشكل را به ميزان خوبي حل كنيم. براي حل اين مشكل از روش تطبيق الگو استفاده كرديم. ما كلاس كشتي را به عنوان مورد خاص براي انجام آزمايشات انتخاب كرديم. در نهايت توانستيم كه با استفاده از روش پيشنهادي مشكل افزونگي داده با چرخش را براي RetinaNet بر طرف كنيم. كلمات كليدي: سنجش از دور، تشخيص اشيا، افزايش داده، RetinaNet

1398/07/09

Object Detection in Remote Sensing Imagery Using Deep Learning

10/1/2019 12:00:00 AM

Abstract Due to unprecedented technological developments, the remote sensing field has been vastly expanded in terms of application recently, and in parallel, the performance has significantly improved. Object detection in remote sensing images faces more challenges because of more complex background information they contain than that of natural images. Remote sensing images offer information about the texture, shape, and structure of ground objects, and they can be used for precise object identification. Therefore, in our work, the used dataset has been augmented by three different augmentation methods which are rotation, flip and flip-rotation augmentation. We evaluated the results by using average precision measure (AP) as well as we compared our results with the results of previous works from the literature. We found that our proposed RetinaNet detects objects better than the methods used in previous works by at least %2.84 performance gain in mAP. Additionally, we noted that the worst results of our method are for rotation augmentation. By analyzing the results and making many tests we could fix the problem. For solving this problem, we used template matching. We selected the ship class as a special case for doing our tests. It was shown that the proposed template matching algorithm could solve the rotation augmentation problem to a high extent. Keywords: Remote Sensing, Object Detection, Data Augmentation, RetinaNet.