خلاصه
کلید واژه ها:
پوشش پلاستیکی سبز ؛ یادگیری نیمه نظارتی ; یادگیری عمیق ؛ نقشه برداری پوشش اراضی شهری
۱٫ معرفی
- (۱)
-
برای اولین بار، ما یک روش یادگیری عمیق را برای نقشه برداری پوشش پلاستیکی سبز شهری از داده های سنجش از دور VHR ایجاد کردیم که می تواند ابزار موثری برای نظارت بر سایت ساخت و ساز و حفاظت از محیط زیست باشد.
- (۲)
-
ما از یک CNN تغییر شکل پذیر چند مقیاسی برای مقابله با تنوع مقیاس ها و اشکال شی زمین در مناظر پیچیده شهری استفاده کردیم.
- (۳)
-
ما نمونههای برچسبگذاریشده محدود را با دادههای بدون برچسب عظیم در یک چارچوب یادگیری نیمهنظارتشده ادغام کردیم تا قابلیت تعمیم مدل طبقهبندی برای پوششهای پلاستیکی سبز را افزایش دهیم.
۲٫ منطقه مطالعه و مجموعه داده
۲٫۱٫ منطقه مطالعه
۲٫۲٫ مجموعه داده
۳٫ روش ها
۳٫۱٫ مروری بر مدل پیشنهادی
۳٫۲٫ CNN قابل تغییر شکل چند مقیاسی برای نمایش ویژگی
۳٫۳٫ انتخاب نمونه برای یادگیری نیمه نظارتی
برای اطمینان از قابلیت اطمینان نمونههای شبه برچسبگذاری شده، مرحله دوم را برای انتخاب دادههای بدون برچسب معرفی کردیم. ما شباهتهای بین هر نمونه شبه برچسبدار و همه نمونههای برچسبگذاریشده را محاسبه کردیم که با فاصله اقلیدسی اندازهگیری میشوند:
جایی که تومنتومنو لjل�به ترتیب i- امین نمونه برچسب دار و j- امین نمونه برچسب دار را مشخص کنید. s ( ⋅ )س(⋅)معیار تشابه را نشان می دهد. و f( ⋅ )�(⋅)مخفف عبارت عمیق ویژگی است. پس از آن، استخر برچسب گذاری شده را به ترتیب نزولی از شباهت های بالا مرتب کردیم. اگر نمونههای آموزشی top – k دارای همان دستهبندی با نمونه شبه برچسبگذاریشده باشند، آنگاه این نمونه شبه برچسبگذاری شده قابل اعتماد در نظر گرفته میشود و میتواند به مجموعه برچسبگذاریشده برای آموزش مجدد CNN اضافه شود [ ۲۹ ]. علاوه بر این، ما تأثیر مقدار k در top – k را بر طبقهبندی GPC تجزیه و تحلیل کردیم. نتایج در بخش ۴٫۴ نشان داده شده است.
۳٫۴٫ جزئیات آموزش شبکه
تمام وزنهای مدل CNN پیشنهادی با نرمالسازی He [ ۳۵ ] مقداردهی اولیه شدند و همه سوگیریها در ابتدا روی ۰ تنظیم شدند. برای بهینهسازی وزنها و سوگیریها برای بهبود عملکرد طبقهبندی، یک بهینهساز Adam [ ۳۶ ] با نرخ یادگیری اولیه استفاده شد. ۱۰-۴ . _ یک تکنیک توقف اولیه برای انتخاب بهترین مدل به کار گرفته شد. از دست دادن آنتروپی متقابل [ ۳۷ ] اتخاذ شد که بیان آن به شرح زیر است:
که در آن L نشان دهنده از دست دادن آنتروپی متقابل است. yˆمن�^منمخفف احتمال پیش بینی شده توسط مدل است. y i بیانگر حقیقت پایه است. و N به تعداد کلاس ها اشاره دارد.
- (۱)
-
در مرحله اول، ستون فقرات، به عنوان مثال، CNN تغییر شکل پذیر چند مقیاسی تنها با استفاده از داده های برچسب گذاری شده اولیه آموزش داده شد.
- (۲)
-
در مرحله بعد، ستون فقرات برای پیشبینی مجموعه دادههای بدون برچسب استفاده شد و تنها نمونههایی که فرآیند انتخاب دو مرحلهای را پشت سر گذاشتند به مجموعه برچسبگذاریشده با برچسبهای شبه اضافه میشوند.
- (۳)
-
ستون فقرات با نمونههایی از استخر جدید برچسبگذاری شده دوباره آموزش داده شد.
۳٫۵٫ ارزیابی های دقت
۴٫ نتایج و بحث
۴٫۱٫ نتایج طبقه بندی GPC
۴٫۲٫ نتایج ارزیابی دقت
۴٫۳٫ تأثیر یادگیری نیمه نظارتی بر طبقه بندی GPC
۴٫۴٫ تاثیر k در Top-k بر طبقه بندی GPC
۴٫۵٫ مقایسه با مدل های کلاسیک CNN
۴٫۶٫ مقایسه با داده های Sentinel-2
۴٫۷٫ مقایسه با طبقه بندی تصادفی جنگل
۵٫ نتیجه گیری ها
منابع
- لیو، ی. زو، تبر; وانگ، جی. لی، دبلیو. در آغوش گرفتن.؛ هو، ی. پشتیبانی تصمیم گیری در مورد استفاده از زمین در توسعه مجدد برون فیلد برای نوسازی شهری بر اساس داده های جمع سپاری و روش یادگیری حضور و پس زمینه (PBL). خطمشی استفاده از زمین ۲۰۱۹ ، ۸۸ ، ۱۰۴۱۸۸٫ [ Google Scholar ] [ CrossRef ]
- شیا، سی. ژانگ، ا. بله، AG-O. شاخص تکامل چشم انداز با وزن: یک رویکرد بهبود یافته برای تجزیه و تحلیل همزمان گسترش زمین شهری و توسعه مجدد جی. پاک. تولید ۲۰۲۰ ، ۲۴۴ ، ۱۱۸۸۳۶٫ [ Google Scholar ] [ CrossRef ]
- یو، بی. وانگ، جی. لی، جی. ژانگ، جی. لای، ی. Xu، X. پیش بینی تولید زباله تخریب در مقیاس بزرگ در طول نوسازی شهری: یک روش سه گانه ترکیبی. مدیریت زباله ۲۰۱۹ ، ۸۹ ، ۱-۹٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
- Shackelford، AK; دیویس، CH یک رویکرد ترکیبی مبتنی بر پیکسل فازی و مبتنی بر شی برای طبقهبندی دادههای چند طیفی با وضوح بالا در مناطق شهری. IEEE Trans. Geosci. Remote Sens. ۲۰۰۳ , ۴۱ , ۲۳۵۴–۲۳۶۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- ژو، دبلیو. تروی، A. یک رویکرد شی گرا برای تجزیه و تحلیل و توصیف منظر شهری در سطح بسته. بین المللی J. Remote Sens. ۲۰۰۸ , ۲۹ , ۳۱۱۹-۳۱۳۵٫ [ Google Scholar ] [ CrossRef ]
- باسکاران، س. پاراماناندا، اس. Ramnarayan, M. روش های طبقه بندی بر پیکسل و شی گرا برای نقشه برداری ویژگی های شهری با استفاده از داده های ماهواره ای Ikonos. Appl. Geogr. ۲۰۱۰ ، ۳۰ ، ۶۵۰-۶۶۵٫ [ Google Scholar ] [ CrossRef ]
- Myint، SW; گوبر، پ. برازل، ا. گروسمن کلارک، اس. Weng، Q. طبقهبندی بر پیکسل در مقابل شیء مبتنی بر استخراج پوشش زمین شهری با استفاده از تصاویر با وضوح فضایی بالا. سنسور از راه دور محیط. ۲۰۱۱ ، ۱۱۵ ، ۱۱۴۵-۱۱۶۱٫ [ Google Scholar ] [ CrossRef ]
- وانگ، اچ. وانگ، سی. Wu, H. استفاده از تصاویر GF-2 و مدل میدانی تصادفی شرطی برای نقشه برداری پوشش جنگل شهری. سنسور از راه دور Lett. ۲۰۱۶ ، ۷ ، ۳۷۸-۳۸۷٫ [ Google Scholar ] [ CrossRef ]
- بیلاس، جی. اومن، تی. Havens، TC تقسیم بندی بهینه تصاویر با وضوح فضایی بالا برای طبقه بندی ساختمان ها با استفاده از جنگل های تصادفی. بین المللی J. Appl. زمین Obs. ۲۰۱۹ ، ۸۲ ، ۱۰۱۸۹۵٫ [ Google Scholar ] [ CrossRef ]
- شائو، ز. فو، اچ. فو، پی. یین، ال. نقشه برداری از سطح غیرقابل نفوذ شهری با ترکیب داده های نوری و SAR در سطح تصمیم. Remote Sens. ۲۰۱۶ , ۸ , ۹۴۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- یین، دبلیو. یانگ، جی. نقشهبرداری فضای سبز مبتنی بر پیکسل فرعی در مقابل شیب شهری-روستایی با استفاده از تصاویر ماهوارهای Gaofen-2 با وضوح فضایی بالا: مطالعه موردی منطقه هایدیان، پکن، چین. بین المللی J. Remote Sens. ۲۰۱۷ , ۳۸ , ۶۳۸۶–۶۴۰۶٫ [ Google Scholar ] [ CrossRef ]
- فنگ، Q. لیو، جی. Gong, J. پهپاد سنجش از دور برای نقشه برداری پوشش گیاهی شهری با استفاده از تحلیل تصادفی جنگل و بافت. Remote Sens. ۲۰۱۵ ، ۷ ، ۱۰۷۴–۱۰۹۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- فنگ، Q. لیو، جی. گونگ، جی. نقشهبرداری سیل شهری بر اساس سنجش از دور وسایل نقلیه هوایی بدون سرنشین و طبقهبندی تصادفی جنگل – موردی از یویائو، چین. آب ۲۰۱۵ ، ۷ ، ۱۴۳۷-۱۴۵۵٫ [ Google Scholar ] [ CrossRef ]
- لیو، جی. لی، پی. Wang, X. یک روش تقسیم بندی جدید برای تصاویر با وضوح بسیار بالا با استفاده از اطلاعات طیفی و مورفولوژیکی. ISPRS J. Photogramm. Remote Sens. ۲۰۱۵ ، ۱۰۱ ، ۱۴۵-۱۶۲٫ [ Google Scholar ] [ CrossRef ]
- رویز هرناندز، IE; شی، دبلیو. یک روش طبقهبندی تصادفی جنگلها برای نقشهبرداری کاربری اراضی شهری با ادغام معیارهای فضایی و تحلیل بافت. بین المللی J. Remote Sens. ۲۰۱۷ , ۳۹ , ۱۱۷۵–۱۱۹۸٫ [ Google Scholar ] [ CrossRef ]
- یو، بی. وانگ، ال. نیو، ز. Tappert، MC استخراج ساختمان بدون نظارت با استفاده از داده های سنجش از دور برای تشخیص تغییرات کاربری زمین. در مجموعه مقالات سنجش از دور جاسوسی آسیا و اقیانوسیه، سنجش از دور سطح زمین II، پکن، چین، ۱۰ تا ۱۳ اکتبر ۲۰۱۴٫ جلد ۹۲۶۰، ص. ۹۲۶۰۰۷٫ [ Google Scholar ]
- سیلوستری، اس. Omri، M. روشی برای شناسایی سنجش از دور محل های دفن زباله کنترل نشده: فرمولاسیون و اعتبار سنجی. بین المللی J. Remote Sens. ۲۰۰۷ ، ۲۹ ، ۹۷۵-۹۸۹٫ [ Google Scholar ] [ CrossRef ]
- کریژفسکی، آ. سوتسکور، آی. هینتون، GE ImageNet طبقه بندی با شبکه های عصبی کانولوشن عمیق. اشتراک. ACM ۲۰۱۷ ، ۶۰ ، ۸۴–۹۰٫ [ Google Scholar ] [ CrossRef ]
- گیرشیک، آر. دوناهو، جی. دارل، تی. Malik, J. Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation. در مجموعه مقالات کنفرانس IEEE 2014 در مورد بینایی کامپیوتری و تشخیص الگو، کلمبوس، OH، ایالات متحده، ۲۴-۲۷ ژوئن ۲۰۱۴٫ صص ۵۸۰-۵۸۷٫ [ Google Scholar ]
- او، KM; ژانگ، XY; Ren, SQ; Sun، J. هرم فضایی ادغام در شبکه های کانولوشن عمیق برای تشخیص بصری. IEEE Trans. الگو. مقعدی ماخ هوشمند ۲۰۱۵ ، ۳۷ ، ۱۹۰۴-۱۹۱۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- گیرشیک، آر. دوناهو، جی. دارل، تی. Malik، J. شبکه های کانولوشن مبتنی بر منطقه برای تشخیص دقیق شی و تقسیم بندی. IEEE Trans. الگو. مقعدی ماخ هوشمند ۲۰۱۶ ، ۳۸ ، ۱۴۲-۱۵۸٫ [ Google Scholar ] [ CrossRef ]
- لین، جی. شن، سی. ون دن هنگل، ا. Reid, I. آموزش تکه تکه کارآمد مدلهای ساختاریافته عمیق برای تقسیم بندی معنایی. در مجموعه مقالات کنفرانس IEEE 2016 در مورد بینایی کامپیوتری و تشخیص الگو (CVPR)، لاس وگاس، NV، ایالات متحده آمریکا، ۲۷ تا ۳۰ ژوئیه ۲۰۱۶؛ صص ۳۱۹۴–۳۲۰۳٫ [ Google Scholar ]
- هوانگ، بی. ژائو، بی. Song، Y. نقشهبرداری کاربری زمین شهری با استفاده از یک شبکه عصبی پیچیده عمیق با تصاویر سنجش از دور چندطیفی با وضوح فضایی بالا. سنسور از راه دور محیط. ۲۰۱۸ ، ۲۱۴ ، ۷۳-۸۶٫ [ Google Scholar ] [ CrossRef ]
- ژانگ، سی. سارجنت، آی. پان، X. لی، اچ. گاردینر، آ. هار، جی. اتکینسون، PM یک شبکه عصبی کانولوشن مبتنی بر شی (OCNN) برای طبقهبندی کاربری زمین شهری. سنسور از راه دور محیط. ۲۰۱۸ ، ۲۱۶ ، ۵۷-۷۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- دونگ، ال. دو، اچ. مائو، اف. هان، ن. لی، ایکس. ژو، جی. زو، DE; ژنگ، جی. ژانگ، ام. زینگ، ال. و همکاران طبقه بندی تصاویر سنجش از دور با وضوح بسیار بالا با استفاده از تلفیقی از جنگل تصادفی و تکنیک یادگیری عمیق – به عنوان مثال منطقه نیمه گرمسیری. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. ۲۰۲۰ , ۱۳ , ۱۱۳–۱۲۸٫ [ Google Scholar ] [ CrossRef ]
- کوسول، ن. لاورنیوک، م. اسکاکون، س. Shelestov, A. طبقه بندی یادگیری عمیق پوشش زمین و انواع محصول با استفاده از داده های سنجش از دور. IEEE Trans. Geosci. سنسور از راه دور Lett. ۲۰۱۷ ، ۱۴ ، ۷۷۸-۷۸۲٫ [ Google Scholar ] [ CrossRef ]
- الشهی، ر. Marpu، PR; وون، WL; Mura, MD استخراج همزمان جاده ها و ساختمان ها در تصاویر سنجش از دور با شبکه های عصبی کانولوشن. ISPRS J. Photogramm. Remote Sens. ۲۰۱۷ ، ۱۳۰ ، ۱۳۹-۱۴۹٫ [ Google Scholar ] [ CrossRef ]
- خو، X. لی، دبلیو. ران، کیو. دو، س. گائو، ال. Zhang، B. طبقه بندی داده های سنجش از دور چند منبعی بر اساس شبکه عصبی کانولوشن. IEEE Trans. Geosci. Remote Sens. ۲۰۱۸ , ۵۶ , ۹۳۷–۹۴۹٫ [ Google Scholar ] [ CrossRef ]
- تانگ، X.-Y. Xia، G.-S. لو، کیو. شن، اچ. لی، اس. شما، اس. Zhang, L. طبقه بندی پوشش زمین با تصاویر سنجش از دور با وضوح بالا با استفاده از مدل های عمیق قابل انتقال. سنسور از راه دور محیط. ۲۰۲۰ ، ۲۳۷ ، ۱۱۱۳۲۲٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- فنگ، Q. زو، دی. یانگ، جی. Li، B. ترکیب داده های فراطیفی چند منبعی و LiDAR برای نقشه برداری کاربری زمین شهری بر اساس یک شبکه عصبی پیچیده دو شاخه ای اصلاح شده. ISPRS Int. J. Geo-Inf. ۲۰۱۹ ، ۸ ، ۲۸٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- فنگ، Q. یانگ، جی. زو، دی. لیو، جی. گوا، اچ. بایارتونگلاگ، بی. لی، بی. ادغام دادههای چندزمانی Sentinel-1/2 برای طبقهبندی پوشش زمین ساحلی با استفاده از شبکه عصبی چندشاخهای: موردی از دلتای رودخانه زرد. Remote Sens. ۲۰۱۹ ، ۱۱ ، ۱۰۰۶٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- او، ز. لیو، اچ. وانگ، ی. Hu, J. یادگیری نیمه نظارتی مبتنی بر شبکه های متخاصم مولد برای طبقه بندی تصاویر فراطیفی. Remote Sens. ۲۰۱۷ , ۹ , ۱۰۴۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- نیش، بی. لی، ی. ژانگ، هنگ کنگ؛ چان، JCW طبقه بندی یادگیری عمیق نیمه نظارتی برای تصویر فراطیفی بر اساس انتخاب نمونه دو استراتژی. Remote Sens. ۲۰۱۸ , ۱۰ , ۵۷۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- گوگل ارث. در دسترس آنلاین: http://earth.google.com/ (در ۲ مه ۲۰۲۰ قابل دسترسی است).
- او، ک. ژانگ، ایکس. رن، اس. Sun, J. عمیق در یکسو کننده ها: پیشی گرفتن از عملکرد سطح انسانی در طبقه بندی ImageNet. arXiv ۲۰۱۵ ، arXiv:1502.01852. [ Google Scholar ]
- Kingma، DP; با، جی. آدام: روشی برای بهینه سازی تصادفی. arXiv ۲۰۱۴ ، arXiv:1412.6980. [ Google Scholar ]
- Cox، DR تجزیه و تحلیل رگرسیون توالی های باینری. JR Stat. Soc. سر. B. ۱۹۵۸ , ۲۰ , ۲۱۵-۲۴۲٫ [ Google Scholar ] [ CrossRef ]
- TensorFlow. در دسترس آنلاین: https://tensorflow.google.cn/ (در ۷ مارس ۲۰۲۰ قابل دسترسی است).
- رونبرگر، او. فیشر، پی. Brox، T. U-net: شبکه های کانولوشن برای تقسیم بندی تصاویر زیست پزشکی. در مجموعه مقالات کنفرانس بین المللی محاسبات تصویر پزشکی و مداخله به کمک کامپیوتر، مونیخ، آلمان، ۵ تا ۹ اکتبر ۲۰۱۵٫ صص ۲۳۴-۲۴۱٫ [ Google Scholar ]
- چن، ال. پاپاندرو، جی. کوکینوس، آی. مورفی، ک. Yuille، AL DeepLab: Semantic Segmentation image with Deep Convolutional Nets، Atrous Convolution، و CRFهای کاملاً متصل. IEEE Trans. الگوی مقعدی ۲۰۱۸ ، ۴۰ ، ۸۳۴-۸۴۸٫ [ Google Scholar ] [ CrossRef ]
- سیمونیان، ک. Zisserman, A. شبکه های پیچیده بسیار عمیق برای تشخیص تصویر در مقیاس بزرگ. در مجموعه مقالات کنفرانس بینالمللی نمایشهای یادگیری (ICLR)، سن دیگو، کالیفرنیا، ایالات متحده آمریکا، ۷ تا ۹ مه ۲۰۱۵٫ [ Google Scholar ]
- او، ک. ژانگ، ایکس. رن، اس. Sun, J. یادگیری باقیمانده عمیق برای تشخیص تصویر. در مجموعه مقالات کنفرانس IEEE در مورد دید کامپیوتری و تشخیص الگو (CVPR)، لاس وگاس، NV، ایالات متحده، ۲۷-۳۰ ژوئن ۲۰۱۶٫ صص ۷۷۰-۷۷۸٫ [ Google Scholar ]
- هوانگ، جی. لیو، ز. ماتن، ال. Weinberger، KQ شبکه های کانولوشنال به هم پیوسته متراکم. در مجموعه مقالات کنفرانس IEEE در مورد بینایی کامپیوتری و تشخیص الگو (CVPR)، هونولولو، HI، ایالات متحده آمریکا، ۲۱ تا ۲۶ ژوئیه ۲۰۱۷؛ صص ۴۷۰۰–۴۷۰۸٫ [ Google Scholar ]
- وانگ، جی. شیائو، ایکس. لیو، ال. وو، ایکس. Qin، Y.; اشتاینر، جی ال. دونگ، جی. نقشه برداری دینامیک مزارع نیشکر در گوانگشی، چین، بر اساس تصاویر سری زمانی Sentinel-1، Sentinel-2 و Landsat. سنسور از راه دور محیط. ۲۰۲۰ , ۲۴۷ , ۱۱۱۹۵۱٫ [ Google Scholar ] [ CrossRef ]
- لوفور، آ. سانییر، سی. کورپتی، تی. نظارت بر مناطق شهری با داده های Sentinel-2A: کاربرد برای به روز رسانی درجه نفوذناپذیری لایه با وضوح بالا کوپرنیک. Remote Sens. ۲۰۱۶ ، ۸ ، ۶۰۶٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- بریمن، L. جنگل های تصادفی. ماخ فرا گرفتن. ۲۰۰۱ ، ۴۵ ، ۵-۳۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- لیو، جی. فنگ، Q. گونگ، جی. ژو، جی. Li، Y. طبقه بندی پوشش زمین تالاب دلتای رودخانه زرد بر اساس تجزیه و تحلیل مخلوط طیفی چند عضو نهایی و طبقه بندی جنگل تصادفی. بین المللی J. Remote Sens. ۲۰۱۶ ، ۳۷ ، ۱۸۴۵-۱۸۶۷٫ [ Google Scholar ] [ CrossRef ]
- لیو، جی. فنگ، Q. گونگ، جی. ژو، جی. لیانگ، جی. Li، Y. نقشه برداری گندم زمستانه با استفاده از طبقه بندی جنگل تصادفی همراه با داده های چند زمانی و چند سنسوری. بین المللی جی دیجیت. زمین ۲۰۱۷ ، ۱۱ ، ۷۸۳–۸۰۲٫ [ Google Scholar ] [ CrossRef ]
بدون دیدگاه