سیف اله سلیمانی

استخراج خودکار جاده از تصاویر ماهوارهای یکی از موضوعات مهم و چالشبرانگیز در حوزه سنجش از دور و بینایی ماشین است که کاربردهای گستردهای در برنامهریزی شهری، مدیریت حملونقل، بهروزرسانی نقشههای دیجیتال و واکنش سریع در شرایط بحران دارد. با وجود پیشرفتهای چشمگیر در زمینه یادگیری عمیق، روشهای موجود هنوز با چالشهایی نظیر تنوع بالای ظاهری جادهها در مناطق مختلف جغرافیایی، وجود موانعی مانند سایه درختان و پوشش گیاهی، انسداد ناشی از ساختمانها، و عدم تعادل شدید کلاسها در تصاویر مواجه هستند. در این کار، یک مدل یادگیری عمیق ترکیبی کارآمد مبتنی بر معماریهای ResNet و U-Net برای استخراج دقیق جاده از تصاویر ماهوارهای ارائه شده است. مدل پیشنهادی از شبکه عصبی عمیق ResNet به عنوان رمزگذار بهره میگیرد تا با استفاده از ویژگیهای از پیشآموزشدیده و بلوکهای باقیمانده، مشکل محوشدگی گرادیان را مرتفع ساخته و استخراج بازنماییهای عمیق و غنی از تصاویر ورودی را ممکن سازد. در بخش رمزگشا نیز با الهام از معماری متقارن U-Net و بهرهگیری از اتصالات پرشی، جزئیات مکانی ظریف از لایههای ابتدایی به لایههای بازسازی منتقل شده و بازسازی دقیق مرزهای جاده میسر میگردد. برای ارزیابی روش پیشنهادی، از مجموعه داده DeepGlobe Roads استفاده شده است. نتایج ارزیابی نشان میدهد که مدل پیشنهادی توانسته است به مقادیر 99.67% در معیار دقت، 91.99 % در Precision ، 99.85% در فراخوانی ، 95.76% در معیار F1 و 91.86 % در معیار IoU دست یابد. تحلیل ماتریس دره مریختگی و منحنی ROC با سطح زیر منحنی 997 / 0 برای کلاس جاده، تأییدکننده عملکرد عالی مدل در تفکیک پیکسلهای جاده از غیرجاده است.