مهدی هاشم زاده

تصاویر هوایی ثبت شده توسط ماهواره ها و یا پهپاد ها، معمولا شامل نواحی مربوط به منابع طبیعی و نواحی حاوی سازه های ساخت بشر است. با تفکیک این نواحی از یکدیگر، قادر خواهیم بود اطلاعات مهمی نظیر آرایش ساختاری سطوح و شکل آنها را استخراج و نقشه های هواییِ برچسب دار ایجاد کنیم. دست یابی به چنین اطلاعاتی می تواند کاربرد های بسیار مفیدی در زمینه های نظامی، شهری و زیست محیطی داشته باشد. از آنجایی که پردازش حجم عظیمی از تصاویر به دست آمده از ماهواره ها و پهپاد ها بصورت دستی امکان پذیر نیست، لذا استفاده از روش های خودکارِ مبتنی بر هوش مصنوعی در این حوزه، بسیار مورد توجه قرار گرفته است. تاکنون پژوهش های متعددی در این باره انجام شده است که از اهم آنها می توان به شناسایی ساختمان ها، وسایل نقلیه، جاده ها و همچنین تشخیص ساختار پوشش گیاهی در تصاویر هوایی اشاره کرد. در این مقاله، قصد داریم با معرفی مجموعه ای از ویژگی های آماری مبتنی بر رنگ که به سادگی قابل استخراج از تصاویر هوایی هستند و با استفاده از یک مدل مبتنی بر یادگیری، راهکاری کارآمد برای تشخیص دقیق و سریع سازه های ساخت بشر و تفکیک آنها از منابع طبیعی ارایه دهیم. نتایج آزمایش های انجام گرفته بر روی بانک تصاویر ماساچوست که به صورت عمومی، قابل دسترس است، نشان دهنده دقت مناسب و سرعت عمل بالای راهکار پیشنهادی است. به طوری که، دقت و میانگین سرعت پردازش به دست آمده به ترتیب برابر با ٪۰۷/۹۰ و 96/0 ثانیه است.

امروزه ابطال پذیری یکی از معیار های علمی بودن گزاره ها  محسوب می شود که کارل پوپر فیلسوف قرن بیستم برای اولین بار آن را در مقابل روش استقراء مطرح ساخت. ابطال پذیری دارای روش و فرآیند خاصی است که براساس آن گزاره ای علمی است که قابل ابطال باشد و نظریات جدید با ابطال نظریات قبلی جایگزین آن ها می شوند. هوش مصنوعی و ماشین های یادگیرنده نیز براساس همان فرآیند ابطال پذیری، اعمال خاص خودش را انجام می دهد، این امر با تشریح راهبردی که در هوش مصنوعی به کار می رود روشن می شود. این نوشتار، ضمن روشن کردن مفاهیم ابطال پذیری و هوش مصنوعی،  و همچنین با بررسی چند نمونه کاربردی از ماشین های هوشمند، نشان می دهد که چگونه نظریه ابطال پذیری پوپر مبنای نظری هوش مصنوعی است.