آشکارسازی تغییر در تصاویر رادار دهانه ترکیبی بر اساس شبکه های عصبی عمیق

قیمت: 43,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

آشکارسازی تغییر در تصاویر رادار دهانه ترکیبی بر اساس شبکه های عصبی عمیق

عنوان لاتین

Change Detection in Synthetic Aperture Radar Images Based on Deep Neural Networks

این مقاله یک روش جدید آشکارسازی تغییر برای تصاویر رادار دهانه ترکیبی براساس یادگیری عمیق ارائه می دهد. این روش به وسیله طراحی شبکه عصبی عمیق، نواحی تغییریافته و بدون تغییر را آشکارسازی می کند. دستوالعمل اصلی، ایجاد یک نقشه ی آشکارسازی تغییر، مستقیما از دو تصویر با شبکه عصبی عمیق رشته ای می باشد. این روش می تواند فرآیند ایجاد یک تصویر تفاضلی (DI) که نشان دهنده ی درجه های تفاضلی بین تصاویر رادار دهانه ترکیبی چند زمانی می باشد را حذف کند. در نتیجه، می تواند از تأثیر DI روی نتایج آشکارسازی تغییر اجتناب کند. الگوریتم یادگیری برای ساختارهای عمیق شامل یادگیری ویژگی غیرنظارتی و تنظیم دقیق نظارتی جهت تکمیل دسته بندی می باشد. هدف یادگیری ویژگی غیرنظارتی یادگیری ارائه ی روابط بین دو تصویر می باشد. بعلاوه، هدف تنظیم دقیق نظارتی یادگیری مفاهیم پیکسل های تغییر یافته و بدون تغییر می باشد. آزمایش ها روی مجموعه داده های واقعی و تحلیل نظری نشان دهنده ی مزیت ها، امکان پذیر بودن، و پتانسیل روش پیشنهادی می باشند. بعلاوه، براساس نتایج بدست آمده توسط الگوریتم های مختلف سنتی، یادگیری عمیق می تواند عملکرد آشکارسازی را بیش تر بهبود بخشد.

This paper presents a novel change detection approach for synthetic aperture radar images based on deep learning. The approach accomplishes the detection of the changed and unchanged areas by designing a deep neural network. The main guideline is to produce a change detection map directly from two images with the trained deep neural network. The method can omit the process of generating a difference image (DI) that shows difference degrees between multitemporal synthetic aperture radar images. Thus, it can avoid the effect of the DI on the change detection results. The learning algorithm for deep architectures includes unsupervised feature learning and supervised fine-tuning to complete classification. The unsupervised feature learning aims at learning the representation of the relationships between the two images. In addition, the supervised fine-tuning aims at learning the concepts of the changed and unchanged pixels. Experiments on real data sets and theoretical analysis indicate the advantages, feasibility, and potential of the proposed method. Moreover, based on the results achieved by various traditional algorithms, respectively, deep learning can further improve the detection performance.