جلسه دفاع از رساله: آقای سجاد اقبالیان، گروه مهندسی مخابرات

خلاصه خبر: افزایش اطلاعات مکانی داده های چند طیفی به کمک یادگیری عمیق

  • عنوان: افزایش اطلاعات مکانی داده های چند طیفی به کمک یادگیری عمیق
  • ارائه‌کننده: سجاد اقبالیان
  • استاد راهنما: دکتر حسن قاسمیان
  • استاد ناظر داخلی اول: دکتر پاییز عزمی
  • استاد ناظر داخلی دوم: دکتر مریم ایمانی
  • استاد ناظر خارجی اول: دکتر بابک نجار اعرابی (دانشگاه: تهران )
  • استاد ناظر خارجی دوم: دکتر شهره کسایی (دانشگاه: صنعتی شریف )
  • مکان: آزمایشگاه پردازش تصویر و آنالیز اطلاعات
  • تاریخ: 97/06/17
  • ساعت: 15

چکیده امروزه توسعه فناوري سنجش‌ازدور روزبه‌روز در حال افزايش است و بر تنوع ماهواره‌های مشاهده‌گر زمين افزوده مي¬شود. اين ماهواره‌ها داراي دقت¬هاي مکاني، طيفي و راديومتري و زماني متنوع مي¬باشند. امکان اخذ تصاويري که هم دقت طيفي و هم دقت مکاني بالايي داشته باشند، به دلیل برخي محدودیت‌های عملي امکان‌پذیر نمي¬باشد. ادغام تصاوير ماهواره‌ای، اطلاعات مکاني را از تصاوير باقدرت تفکيک مکاني بالا اخذ نموده و با اطلاعات طيفي تصاوير چندطیفی و یا ابرطیفی ترکيب می کند و تصويري با دقت مکاني و طيفي مطلوب ايجاد می‌نماید. یادگیری عمیق یکی از ابزارهایی است که به عنوان 10 تکنولوژی برتر در سال 2013 معرفی شد. تحقیقات اخیر به‌خصوص در دو سال اخیر نشان داده که شبکه‌های غیرخطی عمیق عصبی (DNNs) توان بسیاری در ساختارهای پیچیده از خود نشان داده است. هدف از این تحقیق، ارائه راهکارهایي به منظور استفاده هرچه بیشتر از اطلاعات مکاني و طیفی در ادغام تصاویر چند طیفی به کمک یادگیری عمیق می باشد. براي رسیدن به این هدف، سه روش مختلف را بر مبناي رویکرد طیفي-مکاني پیشنهاد مي¬دهیم. در نخستین روش ابتدا با الگوبرداری از روش¬های فراتفکیک¬پذیری، ادغام تصاویر چندطیفی آغاز می شود. از الگوریتم‌های فراتفکیک¬پذیری عمیق برای استخراج اطلاعات مکانی و سپس تزریق این اطلاعات به تک‌تک باندهای داده چند طیفی استفاده شده است. در روش دوم، با بهره گیری از الگوی MRA و ساختار پیشنهادی، شبکه عصبی عمق همچون ضریب تزریق وفقی عمل نموده و متناسب با تک تک باندهای تصویر چندطیفی جزئیات مکانی به تصویر اضافه می گردد. در الگورتیم پیشنهادی سوم شبکه¬ای آموزش داده می شود تا جزئیات مکانی را استخراج نماید و سپس به صورت تطبیقی نرخ بهره الگوی MRA را محاسبه نماید. در مرحله دوم الگوریتم، به منظور کاهش اعوجاج طیفی ، که در مرحله اول ایجاد شده است و همچنین حفظ جزئیات مکانی ، شبکه جبران ساز طیفی در این مرحله ایجاد می گردد. برای جبران سازی طیفی، از یک شبکه با تابع هزینه جدید کمک گرفته شده است. به کمک این تابع هزینه یک مسئله بهینه سازی جدید که از اطلاعات طیف برای بهبود عملکرد طیفی تصویر ادغامی بهره می برد استفاده شده است. رویکرد نوینی که در ایجاد تغییر در شبکه کانولوشن مطابق با آنچه مورد نیاز مسئله پیش رو می باشد می تواند یکی از نکات مثبت این شبکه جبران ساز طیفی باشد.
کلمات کلیدی تصاویر چند طیفی و تک‌رنگ ، ادغام اطلاعات طیفی و مکانی، الگوریتم‌های فراتفکیک پذیری، شبکه عصبی کانولوشن عمیق


12 شهریور 1397 / تعداد نمایش : 1895