بررسی داده افزایی در بهبود عملکرد مدل یادگیری عمیق جهت قطعه بندی ساختمان ها با استفاده از تصاویر هوایی

یادگیری عمیق یک روش مدرن پردازش تصویر و تجزیه و تحلیل داده ها می باشد که با داشتن نتایج امیدوارکننده و پتانسیل بالا، وارد حوزه مدیریت شهری شده است. هدف از تحقیق حاضر، بررسی تکنیک های داده افزایی در بهبود نتایج قطعه بندی ساختمان ها با استفاده از تصاویر هوایی با قدرت تفکیک مکانی بالا و روش یادگیری عمیق می باشد. برای این منظور از مجموعه داده ساختمان MSB و مدل MapNet استفاده شد. مدل در سه مرحله بدون داده افزایی، با داده افزایی تبدیلات هندسی و با داده افزایی تبدیلات هندسی و فتومتریک مورد آموزش و ارزیابی قرار گرفت. نتایج ارزیابی مدل نشان داد که با استفاده از تکنیک های داده افزایی تبدیلات هندسی معیارهای ارزیابی امتیاز اف-یک و IoU به ترتیب به میزان ۵/۰ و ۵۵/۰ درصد و با استفاده از تکنیک-های داده افزایی تبدیلات هندسی و فتومتریک به میزان ۴۱/۱ و ۵۷/۱ درصد افزایش پیدا کرد. این افزایش به صورت بصری در بهبود قطعه بندی مناطق متراکم ساختمان و ناپیوستگی ساختمان های بزرگ مقیاس مشاهده شد.

کلیدواژه ها:

تبدیلات فتومتریک ، تبدیلات هندسی ، تصاویر هوایی ، داده افزایی ، قطعه بندی ، یادگیری عمیق