28200

تشخيص تغييرات تصاوير ماهواره اي ساختماني با استفاده از روش هاي مبتني بر نظارت ضعيف

كارشناسي ارشد

مهندسي كامپيوتر- هوش مصنوعي و رباتيكز

1397

1400/8/30

ناصر مزيني - محمدرضا محمدي

مهندسي كامپيوتر

با افزايش جمعيت و بهره‌برداري گسترده از منابع زمين و گسترش شهرها، همچنين با توجه به افزايش ميزان تغييرات محيطي سطح زمين، نياز به پايش چامعي از اين موارد ضروري به نظر مي‌رسد. يكي از اين پايش‌هاي مهم، بررسي تغييرات سطح زمين در طي زمان است. سطح زمين توسط عوامل انساني و طبيعي دچار تغييرات زيادي مي شود كه از ميان آنها مي‌توان به تغييرات ناشي از گسترش شهرها، تخريب ساختمان‌ها به علت عوامل طبيعي مانند سيل و زلزله، تغيير سطح تحت پوشش گياهان بر اثر آتش‌سوزي و تغيير ناحيه‌ي تحت پوشش حوزه‌‌هاي آبخيز اشاره كرد. با توجه به حجم بالاي اين تغييرات، بررسي اين موارد به صورت انساني قابل اجرا نيست و لازم است تا از روش‌هاي مبتني بر هوش‌مصنوعي براي اين پايش استفاده شود. روش‌هاي رايجي كه در اين زمينه استفاده مي‌شوند، در گروه روش‌هاي با نظارت كامل دسته‌بندي مي‌شوند كه نياز به داده‌هاي آموزشي با تعداد بالا و برچسب در سطح پيكسل دارند. اين روش‌ها با اينكه دقت مناسبي را ارائه مي‌دهند، به علت هزينه‌ي بالاي توليد برچسب در سطح پيكسل براي تغييرات موجود در هر جفت تصوير از يك منطقه، بسيار هزينه‌بر هستند كه باعث ايجاد مشكل در استفاده از آنها در بسياري از كاربرد‌ها مي‌شود. يك راه‌حل مناسب براي رفع اين مشكل استفاده از روش‌هاي تشخيص تغييرات مبتني بر يادگيري ضعيف است. در اين روش‌ها مي‌توان تنها با داشتن برچسب در سطح تصوير، تغييرات مدل را در سطح پيكسل بررسي كرد. با توجه به اينكه در زمان آموزش هيچ‌گونه اطلاعاتي در مورد مكان تغييرات به اين مدل‌ها ارائه نمي‌شود، عموماً اين مدل‌ها نسبت به مدل‌هاي با نظارت كامل دقت پايين‌تري دارند ولي چون هزينه‌ي ساخت برچسب براي اين مدل‌ها به‌شدت كمتر است، در سال‌هاي اخير مورد توجه قرار گرفته‌اند. در اين پژوهش، چند مدل براي تشخيص تغييرات با نظارت كامل و نظارت ضعيف آموزش داده‌ شده‌اند و نتايج مربوط به آنها با يكديگر مقايسه شده‌است.

1402/02/18

Image Change Detection Using Weakly Supervised Approaches

1/1/1900 12:00:00 AM

Change detection is the process of identifying differences for a pair of images taken from the same place at different times. The majority of change detection models use fully-supervised approaches that need pixel-level annotation for each image pair to produce a change map. The process of producing a large number of pixel-level annotations is highly time and labor-intensive, making these approaches unsuitable for many applications. One solution for this problem is to use weakly-supervised methods which only need image-level annotation to produce a change map. Due to the lack of location information of change areas in the learning phase, the model needs to find the change areas itself. The quality of the predictions from weakly-supervised models is not as good as the fully-supervised approaches, however, this has been omitted for the cost reduction in the label generation. In this research, some weakly and fully supervised approaches are trained for the task of change detection and the predicted change maps are compared.

تشخيص تغييرات , نظارت ضعيف , قطعه‌بندي معنايي

Change detection , weak supervision , Semantic Segmentation

Amir Mohammad Salehof

Dr.Naser Mozayani - Dr. Mohammad Reza Mohammadi