فهرست نشریات علمی دسترسی آزاد ایران

پیشینه و اهداف: جاده‌ها به عنوان عناصر حیاتی و اساسی در توسعه و پیشرفت شهرها شناخته می‌شوند، زیرا نقش بسیار مهمی در ارتباطات و حمل و نقل دارند و نمایانگر میزان توسعه و رشد شهری می‌باشند. به منظور افزایش دقت و کارایی در تشخیص و طبقه‌بندی جاده‌ها، محققان به طراحی و استفاده از روش‌های خودکار مبتنی بر پردازش تصویر و یادگیری عمیق پرداخته‌اند. این رویکردها، به دلیل قابلیت‌های برترشان در تشخیص الگوها و ویژگی‌های پیچیده تصاویر، به طور موثری جایگزین روش‌های سنتی شده‌اند و بهبود چشمگیری در دقت و سرعت تشخیص جاده‌ها ایجاد کرده‌اند.روش‌ها‌: در این تحقیق از یک مدل بهبودیافته رمزگذار-رمزگشای UNet3+ برای تشخیص جاده از تصاویر سنجش از دور استفاده شده است. در این مدل پیشنهادی از ماژول های تجمیع هرمی، توجه مکانی و توجه کانال برای بهبود نتایج تشخیصی استفاده شده است. ماژول توجه مکانی در معماری شبکه پیشنهادی برای بهبود تمرکز شبکه بر روی مکان‌های مهم در نقشه‌های ویژگی استفاده می‌شود. ماژول توجه کانال نیز به شبکه اجازه می دهد تا روی اطلاعات مهم تمرکز بیشتری داشته باشد و در کارهایی مانند تشخیص ویژگی و طبقه بندی بهتر عمل کند. ماژول تجمیع هرمی  برای دریافت اطلاعات چند مقیاسی طراحی شده است. این ماژول به شبکه کمک می‌کند تا مقیاس‌های مکانی مختلف را با اعمال میانگین‌گیری در سطوح مختلف و سپس تغییر اندازه ویژگی‌های متوسط ​​به اندازه نقشه ویژگی اصلی، درک کند.یافته‌ها: ارزیابی قابلیت اجرایی شبکه پیشنهادی در تشخیص جاده های فرعی در مناطقی که تراکم مسکونی کمتری دارند و دارای پوشش خاکی و گیاهی هستند، نشان دهنده برتری این شبکه نسبت به نسخه اصلی UNet3+ است. شبکه بهبود یافته پیشنهادی در این مقاله توانست جاده ها را با دقت بیشتری تشخیص دهد. این امر نشان دهنده قدرت شبکه در تشخیص جاده ها در شرایطی است که تداخلات محیطی کمتری وجود دارد. نتایج کمی به‌دست‌آمده از این شبکه نمایانگر این واقعیت است که استفاده از ماژول‌های  توجه مکانی و کانال و ماژول تجمیع هرمی توانسته است معیارهای دقت، بازخوانی، امتیاز F1 و IOU را به ترتیب 6، 15.6، 8.3 و 17.4 نسبت به نسخه اصلی شبکه UNet3+ افزایش دهد.نتیجه‌گیری: چالش‌های مطرح در تشخیص خودکار جاده ها از تصاویر سنجش از دور اعم از تاثیر سایه‌ و انسداد جاده با ساختمان‌ها و پوشش گیاهی و شباهت جاده با پس‌زمینه می‌تواند منجر به کاهش دقت تشخیص جاده ها از تصاویر سنجش از دور گردد. استفاده از قابلیت های معماری رمزگذار-رمزگشای بهبودیافته  UNet3+ در این تحقیق توانست بخشی از این چالش ها را کاهش داده و دقت نتایج تشخیص جاده های فرعی در مناطق دارای زمینه خاکی و پوشش گیاهی را افزایش دهد.