ارزیابی عملکرد بهینه سازها در مدل های یادگیری عمیق U-Net و ResNet-34 برای طبقه بندی دقیق کاربری اراضی از تصاویر هوایی(مقاله علمی وزارت علوم)
حوزههای تخصصی:
مطالعه کاربری اراضی و تغییرات آن در دوره های زمانی نقشی کلیدی در مدیریت منابع طبیعی و برنامه ریزی شهری ایفا می کند. یکی از روش های بهینه و مقرون به صرفه در این زمینه استفاده از الگوریتم ها و روش های طبقه بندی تصاویر هوایی و سنجش از دور است. طبقه بندی تصاویر هوایی با استفاده از مدل های یادگیری عمیق یکی از روش های پیشرفته در پردازش داده های مکانی محسوب می شود که بهبود صحت و کارایی آن به انتخاب مدل مناسب و تنظیم بهینه فراپارامترها بستگی دارد. در این پژوهش، عملکرد دو مدل یادگیری عمیق U-Net و ResNet-34 در ترکیب با شش بهینه ساز مختلف شامل SGD، Adam، RMSprop، Adagrad، Nadam و AdamW برای طبقه بندی تصاویر هوایی بررسی شده است. نتایج نشان داد که ResNet-34 در تمامی معیارهای ارزیابی عملکرد بهتری نسبت به U-Net ارائه داده است. بالاترین صحت کلی در مدل ResNet-34 با بهینه ساز RMSprop برابر با 87.54% بود، درحالی که همین بهینه ساز در مدل U-Net صحت77.17% را به دست آورد. بهینه ساز Adam نیز در ResNet-34 صحت83.97% و در U-Net صحت 63.30% را ارائه داد. در مقابل، بهینه ساز Adagrad ضعیف ترین عملکرد را داشت و همگرایی کندی نشان داد. تحلیل معیارهای ضریب کاپا، امتیاز ژاکارد و امتیاز F1 تأیید کرد که بهینه سازهای تطبیقی مانند RMSprop و Adam تأثیر مثبتی بر بهبود صحت مدل ها دارند. نتایج این تحقیق نشان داد که انتخاب مدل مناسب و بهینه ساز کارآمد نقش مهمی در افزایش صحت و کاهش خطای مدل های یادگیری عمیق دارد. در مطالعات آینده، بررسی بهینه سازی ترکیبی روش های کلاسیک و تطبیقی و استفاده از مدل های پیشرفته تر مانند ++ U-Net و بهینه سازهای نوظهور نظیر Lion، AdaBelief و RAdam پیشنهاد می شود.