28219

قطعه بندي معنايي تصاوير ماهواره اي با استفاده از الگوريتم هاي يادگيري عميق

كارشناسي ارشد

مهندسي برق- مهندسي فناوري ماهواره

1397

1401/2/31

محمد سليماني - حسين سليماني

مهندسي برق

با وجود اين كه در بسياري از كاربردهاي سنجش از دور انتقال يادگيري وزن هاي پيش آموخته روي مجموعه داده ImageNet به مسائل و مجموعه داده هاي سنجش از دور جواب هاي قابل قبولي را به نمايش گذاشته است؛ اختلاف دامنه بين تصاوير طبيعي و تصاوير ماهواره اي باعث مي شوند كه اين انتقال يادگيري مناسب نباشد. هم چنين سختي برچسب زني تصاوير ماهواره اي بر هيچ كسي پوشيده نيست و براي اين كار نياز به افراد خبره اي داريم تا تصاوير ماهواره اي را برچسب زني كنند . حال آن كه دسترسي به داده هاي بدون برچسب بسيار آسان مي باشد. در سال هاي اخير؛ روش هاي يادگيري ويژگي از تصاوير به صورت خودنظارت يافته پيشرفت چشمگيري داشته است و نشان داده است كه با استفاده از اين روش ها وزن هايي يادگرفته مي شود كه انتقال دادن ثنها به ساير مسائل بينايي كامپيوتر خيلي بهتر از وزن هاي پيش آموخته روي مجموعه داده ImageNet نظارت يافته عمل مي كنند. موارد اشاره شده اين انگيزه را در ما ايجاد مي كند كه يادگيري ويژگي هاي داخل دامنه اي از تصاوير ماهواره اي را با استفاده از الگوريتم هاي يادگيري خودنظارت يافته- متقابل انجام دهيم و وزن هاي يادگرفته شده در اين فرآيند را به ساير مسائل يا مجموعه داده هاي سنجش از دور انتقال دهيم تا هم مشكل اختلاف دامنه بين تصاوير سنجش از دور و تصاوير زميني را مرتفع كنيم و هم در زمان پيش آموزش ويژگي ها از داده هايي استفاده كنيم كه نيازي به برچسب زدن ندارند . به صورت خاص ما از الگوريتم SimSiam كه مبتني بر يادگيري متقابل مي باشد براي يادگيري ويژگي هاي داخل دامنه اي از مجموعه داده Resisc45 و PatternNet كه تقريبا داراي 5k.31 تصوير مي باشند استفاده كرده ايم و وزن هاي به دست آمده را به ساير مسائل و مجموعه داده هاي سنجش از دور انتقال داده ايم و با اين روش كيفيت ويژگي هاي يادگرفته شده به وسيله الگوريتم هاي مبتني بريادگيري خودنظارتي از نوع متقابل را سنجيده ايم. وزن هاي پيش آموخته با استفاده از الگوريتم SimSiam را به عنوان نقطه ي شروعي براي حل كردن مسائل دسته بندي و قطعه بندي تصاوير ماهواره اي استفاده كرده ايم. نتايج به دست آمده به خوبي موثر بودن چنين روش هايي براي يادگيري نمايانگر هاي بصري را نشان مي دهند.

1402/02/16

Segmentation of satellite images using deep learning algorithms

5/21/2023 12:00:00 AM

Even in many remote sensing applications, transfer learning of ImageNet pre-trained weights to the remote sensing datasets and tasks has yielded acceptable results; the domain differences between ground imageries and remote sensing images make such transfer learning inappropriate. Also, The difficulty of labeling remote sensing images is no secret, and it needs domain experts to annotate remote sensing images, While unlabeled data is readily available. In recent years, self-supervised learning, a subset of unsupervised representation learning methods from images, emerged and has been significantly improved. Recent research has shown that the features learned using self-supervised learning methods are more discriminative and high transferable than the representations learned in a supervised manner from the ImageNet dataset. According to these facts, we are motivated to learn the in-domain features of satellite imagery using contrastive self-supervised learning methods and transfer the learned features to other remote sensing datasets to resolve the domain difference between remote sensing and natural images. In the pre-training phase, we used datasets that do not need to be labeled by humans. Specifically, we have used the SimSiam algorithm, a contrastive self-supervised learning-based method, to learn the in-domain features of remote sensing datasets and transferred the weights obtained using this method to the other datasets related to scene classification. By doing so, We have obtained state-of-the-art results on five datasets of land cover classification with a different number of classes and different spatial resolutions. We have also examined the effect of selecting datasets in the self-supervised pre-training phase. Based on our experiments, using a higher-resolution dataset in the self-supervised pre-training stage leads to learning better and more general representations.

يادگيري غيرنظارت يافته , يادگيري خودنظارت يافته , انتقال يادگيري , يادگيري نمايانگر هاي بصري , يادگيري متقابل , دسته بندي تصاوير سنجش از دور , قطعه بندي معنايي تصاوير سنجش از دور

unsupervised learning , self-supervised learning , Transfer learning , visual representation learning , contrastive learning , remote sensing image classification , remote sensing semantic image segmentation

Ali Ghanbarzade

Dr. Mohammad Soleimani- Dr. Hossein Soleimani