ارائه یک شبکه عصبی عمیق جدید برای استخراج چند مقیاسی ساختمان ها از تصاویر سنجش از دوری

امروزه استخراج ساختمان یکی از مهم ترین نیاز‎های برنامه ریزی برای محیط های شهری و روستایی است. استخراج ساختمان ها از تصاویر سنجش از دوری به دلیل سرعت بالا و هزینه پایین تهیه و پردازش این نوع از داده به مهمترین داده مورد استفاده در این حوزه تبدیل شده است. از بین روش های زیادی که برای استخراج ساختمان وجود دارد، شبکه های عصبی عمیق بیشتر مورد توجه محققین قرار گرفته اند. اما این شبکه ها دارای ضعف هایی نیز هستند. اکثر مدل های موجود، در استخراج چند مقیاسی ساختمان عملکرد ضعیفی دارند. بدین معنا که شبکه ها توانایی استخراج ساختمان هایی با اندازه های مختلف را ندارند. از این رو، در این تحقیق، مدلی برای استخراج چند مقیاسی ساختمان طراحی و ارایه شده است. مدل پیشنهادی، چالش استخراج چند مقیاسی ساختمان را با استفاده از یک ماژول بهبود نتیجه رفع کرده است. ماژول طراحی شده با استفاده از پیچش گسترش یافته زمینه دریافت اطلاعات را افزایش می دهد که باعث می شود ناپیوستگی در خروجی ساختمان های بزرگ پدیدار نشود. استخراج صحیح ساختمان های بزرگ توسط ماژول بهبود و ساختمان های کوچک و متوسط توسط بدنه اصلی، مدل پیشنهادی را به یک مدل کارآمد تبدیل کرده است. برای بررسی عملکرد مدل پیشنهادی، از دو مجموعه داده Massachusetts و WHU استفاده شده است. با آزمایش این دو مجموعه، مدل پیشنهادی با کسب مقادیر 6495/0 و 8572/0 برای معیار IoU بهترین عملکرد را در مقایسه با مدل‎های FCN، U-Net، USPP و DeepLabV3+ نشان داد. بررسی عملکرد ماژول بهبود نشان داد که پس از اضافه کردن این ماژول، مدل پیشنهادی در معیار IoU به میزان 1077/0 عملکرد بهتری نسبت به مدل بدون ماژول نشان می دهد. نتایج همچنین نشان داد که مدل پیشنهادی در استخراج ساختمان های بزرگ، برتری قابل توجهی نسبت به سایر مدل ها دارد که نشان از عملکرد موفق ماژول طراحی شده است.