توسعه مدلی مبتنی بر تشدید گرادیان در شبکه های کانولوشنی عمیق به منظور شناسایی اهداف در تصاویر سنجش ازدوری

پیشرفت های صورت گرفته در فناوری تصویر برداری ماهواره ای امکان تهیه اطلاعات متنوع برای شناسایی اهداف را فراهم می کند. چنین اطلاعاتی فرآیند تفسیر تصاویر سنجش از دوری نوری را تسهیل می بخشد. نوع خاصی از این تفاسیر به فعالیت های مربوط به شناسایی اهداف ختم می شود که امروزه اکثر تحقیقات انجام شده در این حوزه با استفاده از شبکه های عصبی و تکنیک های یادگیری عمیق صورت می گیرد. نحوه طراحی شبکه عصبی کانولوشن مورداستفاده، در دقت شناسایی نقش بسزایی دارد. تحقیقات اخیر درزمینه یادگیری عمیق و شبکه های کانولوشن نشان می دهد که عمیق تر کردن این شبکه ها باعث افزایش دقت آن ها می شود؛ اما گاهی بیش ازحد عمیق تر شدن باعث به وجود آمدن مشکلاتی ازجمله بالا رفتن پارامترهای آموزشی، محو شدن گرادیان آموزشی، بلااستفاده ماندن بسیاری از ویژگی های تولیدشده و... می شود که در پی آن کاهش دقت در شناسایی اهداف موردنظر را خواهد داشت. به این منظور در این تحقیق روشی توسعه داده شده است که در آن سعی گردید با حفظ ویژگی های تولیدشده توسط لایه های کانولوشن و انتقال آن ها به لایه های بعدی، بر این مشکل غلبه گردد. این نوع ارتباط بین لایه ها، اجازه عمیق تر کردن شبکه های کانولوشنی با افت گرادیان کمتر را می دهد. معماری ارایه شده علاوه بر کم رنگ کردن مشکل ناپدید شدن گرادیان، باعث می شود تعداد پارامترها و همچنین مدت زمان موردنیاز برای آموزش یک مدل یادگیری عمیق کاهش یابد. بدین منظور در ابتدا با استفاده از تصاویر سنجش ازدوری، مجموعه ای از داده های آموزشی آماده و پس از پردازش های اولیه، عوارض هدف برچسب گذاری شده است. سپس روش پیشنهادشده را به عنوان استخراج گر ویژگی مدل Faster R-CNN تعریف کرده و بر روی داده های آموزشی، آموزش داده می شود. جهت ارزیابی روش پیشنهادی نیز، بخشی از فرودگاه بین المللی پکن چین به عنوان مطالعه موردی اول و بخشی از فرودگاه بین المللی امام خمینی (ره) به عنوان منطقه موردمطالعه دوم انتخاب شده است و مقادیر معیار F1-Measure برای هر دو منطقه به ترتیب برابر 9/97 و 7/93 می باشد. درنهایت نتایج حاصله از اعمال مدل پیشنهادی، با مدل های مختلف شبکه مطرح موجود، مقایسه شده است. نتایج به دست آمده، دلالت بر قابل اعتماد بودن و موثر بودن روش ارایه شده دارند.