ترکیب داده های لایدار و تصاویر هوایی بر مبنای شبکه های عصبی کانولوشن به منظور تشخیص مدل ساختمان ها

ساختمان­ها یکی از مهمترین سازه­های شهری هستند که در کاربردهای مختلف و در نقشه­برداری شهری مورد استفاده قرار می­گیرند. در سال­های اخیر، با توسعه تکنولوژی اخذ داده­ها با توان تفکیک بالا، روش­ها و الگوریتم­های مختلفی به منظور استخراج مدل­های دقیق و بهنگام ساختمان­ها ارائه شده است. در این مقاله، روشی نوین و مدل­مبنا به منظور استخراج ساختمان­ها و شناسایی اتوماتیک مدل سقف آنها از قبیل سقف مسطح، شیروانی، شیبدار و هرمی ارائه شده است که در آن از شبکه­های عصبی با معماری عمیق به منظور یادگیری سلسله مراتبی ویژگی­های استخراج شده از داده­های لایدار و تصاویر ارتوفتو استفاده می­شود. مهمترین مراحل این روش عبارتند از: آموزش مدل و یادگیری، بخش­بندی تصویر، استخراج ویژگی، و برچسب زدن عوارض. کلیه این مراحل در یک ساختار نظارت شده و با استفاده از یک شبکه عصبی کانولوشن که از قبل آموزش دیده شده است، اجرا می­شوند تا یک سیستم تشخیص الگوی اتوماتیک برای تشخیص انواع مختلف ساختمان­ها در یک ناحیه شهری فراهم گردد. در این روش، اطلاعات ارتفاعی، تولیدکننده­ی ویژگی­های هندسی پایدار برای شبکه عصبی کانولوشن هستند که در تعیین موقعیت محدوده هر سقف به کار گرفته می­شوند. شبکه عصبی کانولوشن یکی از انواع شبکه­های عصبی رو به جلو و با مفهوم درک و فهم چندلایه­ای است که شامل تعدادی لایه کانولوشن و نمونه­برداری می­باشد. از آنجایی که در روش پیشنهادی، مجموعه داده­ی آموزشی یک کتابخانه کوچک از مدل­های برچسب­دار است، لذا زمان محاسباتی برای یادگیری با استفاده از مدل­های از قبل آموزش دیده، به طور قابل توجهی کم و در حدود چند ساعت است. نتایج حاصله، نشان­دهنده موثر بودن تلفیق داده­های ارتفاعی و تصاویر رنگی با هم در یادگیری عمیق به منظور استخراج ساختمان­ها و شناسایی مدل سقف آنها به صورت همزمان است به طوری که خطای حد بالای اول و دقت آموزش مدل حاصل از تلفیق این دو دسته داده به ترتیب حدود 05/0 و 95 درصد است. همچنین، میزان موفقیت و صحت شناسایی ساختمان­ها به ترتیب حدود 97 و 69 درصد است.