شناسایی تغییرات تصاویر سنجش از دوری با استفاده از روش های یادگیری عمیق دوجریانه

شناسایی تغییرات تصاویر سنجش ازدور دارای نقش مهمی در بسیاری از برنامه های کاربردی مانند بررسی رشد شهرنشینی، نظارت بر تغییرات کاربری زمین، ارزیابی بلایا و آسیب های طبیعی ایفا می کند. در این فرایند هدف، تعیین برچسب تغییر کرده یا نکرده برای پیکسل های دو تصویر می باشد که از یک مکان ولی در دو زمان متفاوت گرفته شده است. همین طور در دهه اخیر استفاده از روش های یادگیری عمیق به دلیل عملکرد مناسبی که در تفسیر و پردازش داده های سنجش ازدوری دارند و همین طور توانایی حذف مهندسی ویژگی و استخراج ویژگی های سطح بالا از تصاویر، موردتوجه بسیاری از محققان این حوزه قرارگرفته است. در همین راستا، در این مقاله یک مدل یادگیری عمیق بهینه طراحی شده است که به دلیل ساختار سلسله مراتبی، طراحی موثر انتقال ویژگی و بهره وری مناسب از ویژگی های چندمقیاسه، دقت شناسایی تغییرات تصاویر دو زمانه را افزایش می دهد. مدل پیشنهادی به دلیل ساختار و معماری بهینه نسبت به برخی مدل های مشهور موجود مانند BIT از سرعت و دقت نتایج بالاتری برخوردار است. نتایج به دست آمده از اعمال مدل پیشنهادی بر روی دو مجموعه داده ی مورد بررسی، نسبت به روش مقایسه ای BIT به طور میانگین حاکی از دقت کلی حدود 96 درصد و کاهش 10 درصدی میزان محاسبات ضرب و جمع می باشد.