رویین ممانی

آشکارسازی و شناسایی خودکار عوارض موجود در مناطق مختلف جغرافیایی با دقت بالا با توجه به اهداف گوناگون اعم از مدیریت شهری، اهداف نظامی و غیره از مسائل اساسی در شناخت پدیده های سطح محسوب می گردد. تکنیک های سنجش از دور و سیستم اطلاعات مکانی (GIS) به همراه تصاویر اخذ شده از سنجنده های ماهواره ای با تلفیق الگوریتم های یادگیری عمیق نمایان سازی عوارض موجود در تصاویر را به خوبی ارتقاء داده است. در این پژوهش به ارائه روشی نو در تلفیق همزمان لایه های CNN و Pooling موجود در الگوریتم مورد استفاده پرداخته شده که در نهایت منجر به کاهش چشمگیر زمان آموزش شبکه با استفاده از داده های جامع آموزشی با دقت بالا و در عین حال حجم زیاد گردید. در این تحقیق با بهره گیری از آموزش شبکه به وسیله داده های آموزشی به آشکارسازی کشتی های موجود در تصاویر ماهواره ای با ایجاد یک شبکه تماماً کانولوشنال FCN پرداخته شده است. جهت ارزیابی عملکرد و دقت الگوریتم استفاده شده در یافتن و آشکارسازی کشتی های موجود در تصاویر ماهواره ای، با اعمال این الگوریتم آشکارساز بر روی چندین تصویر ماهواره ای دیگر از معیارهای ارزیابی Precision، Recall و F1-Score استفاده شد که مقادیر آن ها به ترتیب برابر با %100، % 61/97 و % 83/98 بوده است که نمایانگر دقت و قابل اعتماد بودن الگوریتم می باشد.