این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
ماشین بینایی و پردازش تصویر، جلد ۱۱، شماره ۲، صفحات ۱۳-۲۴
عنوان فارسی داده‌افزایی مبتنی بر شبکه‌ی مولد رقابتی برای آشکارسازی اهداف تصاویر ابر طیفی با استفاده از شبکه‌های عصبی کانولوشن
چکیده فارسی مقاله تصاویر ابرطیفی اخذ شده توسط سامانه‌های سنجش از دور به دلیل وجود داده‌های باارزش طیفی در بازه‌ی وسیعی از طول موج دارای قدرت بالایی در آشکارسازی اهداف هستند. علاوه بر اطلاعات طیفی، این تصاویر دارای اطلاعات مکانی باارزشی هستند که در تشخیص دقیق هدف از پس‌زمینه موثر است. یکی از چالش‌های اصلی آشکارسازی اهداف، وجود تعداد نمونه‌های آموزشی محدود هدف است. جهت مقابله با این چالش، یک آشکارساز مبتنی بر شبکه عصبی کانولوشن (CNN) در این مقاله مورد ارزیابی قرار گرفته است. به جای استفاده از تک پیکسل‌ها، تکه‌ها‌ی مکعبی با اطلاعات مکانی در دو بعد و اطلاعات طیفی در بعد سوم به عنوان ورودی آشکارساز استفاده می‌شوند. CNN با قابلیت بالا در استخراج ویژگی‌های سلسله مراتبی مکانی دقت خوبی را در خروجی حاصل می‌کند. جهت حل مشکل تعداد نمونه‌های آموزشی محدود از شبکه مولد رقابتی (GAN) برای تولید تکه‌های تصویر مکعبی جعلی مشابه با تکه‌های مکعبی مفروض حول پیکسل‌های هدف واقعی استفاده شده است. اثر داده افزایی با GAN در آشکارساز CNN با مقادیر مختلف داده‌افزایی در حالت بعد کامل و بعد کاهش یافته مورد ارزیابی قرار گرفته است. نتایج آزمایش‌ها نشان‌دهنده‌ی دقت بالاتر CNN نسبت به روش‌های پرکاربرد آشکارسازی و همین‌طور بهبود دقت آشکارساز CNN به کمک داده‌افزایی انجام شده توسط GAN می‌باشد.
کلیدواژه‌های فارسی مقاله شبکه مولد رقابتی (GAN)،شبکه عصبی کانولوشن (CNN)،تصویر ابرطیفی،آشکارسازی اهداف،داده‌افزایی،
عنوان انگلیسی Generative adversarial network based data augmentation for hyperspectral images target detection using convolutional neural networks
چکیده انگلیسی مقاله Hyperspectral images acquired by remote sensing systems have high ability for target detection due to providing valuable spectral data in a wide range of wavelengths. In addition to spectral information, these images have valuable spatial information that is effective in accurate discrimination of target from background. One of the main challenges of target detection is the limited number of target training samples. To deal with this challenge, a detector based on Convolutional Neural Network (CNN) is introduced in this paper. Instead of using the single pixels, the cubic patches with spatial information in two dimensions and spectral information in the third dimension are used as the detector input. CNN with high capability in extracting hierarchical spatial features achieves good accuracy in the output. In order to solve the problem of the limited number of training samples, the generative adversarial network (GAN) has been used to generate fake cubic patches similar to the considered cubic patches around the real target pixels. The effect of data augmentation with GAN has been evaluated in the CNN detector with different amounts of data augmentation in both cases of full dimension and reduced dimension. The experimental results show the higher accuracy of CNN compared to the widely used detectors, as well as accuracy improvement of the CNN detector using data augmentation implemented by GAN.
کلیدواژه‌های انگلیسی مقاله شبکه مولد رقابتی (GAN),شبکه عصبی کانولوشن (CNN),تصویر ابرطیفی,آشکارسازی اهداف,داده‌افزایی
نویسندگان مقاله مریم ایمانی |
دانشگاه تربیت مدرس

نشانی اینترنتی https://jmvip.sinaweb.net/article_207014_cb0ca00ff26b373716082d1931f1d2f2.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات