آشکارسازی تغییر در تصاویر رادار دهانه ترکیبی بر اساس شبکه های عصبی عمیق
Change Detection in Synthetic Aperture Radar Images Based on Deep Neural Networks
مشخصات کلی
سال انتشار | 2015 |
کد مقاله | 4686 |
فرمت فایل ترجمه | Word |
تعداد صفحات ترجمه | 33 |
نام مجله | IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS |
نشریه | IEEE |
درج جداول و شکل ها در ترجمه | انجام شده است |
جداول داخل مقاله | ترجمه شده است |
چکیده فارسی
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.
چکیده لاتین
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.
خرید و دانلود ترجمه این مقاله:
جهت خرید این مقاله ابتدا روی لینک زیر کلیک کنید، به صفحه ای وارد می شوید که باید نام و ایمیل خود را وارد کنید و پس از آن روی دکمه خرید و پرداخت کلیک نمایید، پس از پرداخت بلافاصله به سایت بازگشته و می توانید فایل خود را دانلود کنید، همچنین لینک دانلود به ایمیل شما نیز ارسال خواهد شد.
هیچ دیدگاهی برای این مقاله ثبت نشده است
دیدگاه ها