عناصر مشابهة
Image Patch Classification for Feature Learning with Application to Change Detection in Remote Sensing
| العنوان بلغة أخرى: | تصنيف أجزاء الصور لتعلم الميزات مع تطبيق لاكتشاف التغيرات في صور الاستشعار عن بعد |
|---|---|
| الناشر: |
مسقط
|
| المؤلف الرئيسي: | |
| مؤلفين آخرين: | , , |
| التاريخ الميلادي: | 2020 |
| الصفحات: | 1 - 46 |
| رقم MD: | 1182377 |
| نوع المحتوى: | رسائل جامعية |
| اللغة: | English |
| قواعد المعلومات: | Dissertations |
| الدرجة العلمية: | رسالة ماجستير |
| الجامعة: | جامعة السلطان قابوس |
| الكلية: | كلية العلوم |
| مواضيع: | |
| رابط المحتوى: |
| LEADER | 04538nam a2200361 4500 | ||
|---|---|---|---|
| 001 | 1536181 | ||
| 041 | |a eng | ||
| 100 | |9 632827 |a الهنائي، بثينة |e مؤلف | ||
| 245 | |a Image Patch Classification for Feature Learning with Application to Change Detection in Remote Sensing | ||
| 246 | |a تصنيف أجزاء الصور لتعلم الميزات مع تطبيق لاكتشاف التغيرات في صور الاستشعار عن بعد | ||
| 260 | |a مسقط |c 2020 | ||
| 300 | |a 1 - 46 | ||
| 336 | |a رسائل جامعية | ||
| 502 | |b رسالة ماجستير |c جامعة السلطان قابوس |f كلية العلوم |g عمان |o 0677 | ||
| 520 | |a مع الاستخدام الشائع لصور الأقمار الصناعية للاستشعار عن بعد. تم إجراء بحث مكثف لحل مشكلة اكتشاف التغيير (CD) لصور الاستشعار عن بعد النقطية. ويعتمد تحسين النتيجة النهائية اعتمادا كبيرا على الطريقة المستخدمة لاستخراج الميزات من أزواج الصور. ولقد ساهم تطور التعلم الآلي (التعلم العميق) بشكل كبير في تصميم الميزات من خلال تعلم التسلسلات الهرمية مباشرة من البيانات بطريقة لا تخضع للإشراف المباشر ودون تدخل بشري. هذا النهج يلتقط بفعالية التمثيلات المتوسطة والعليا. في هذه الرسالة، نقترح طريقة جديدة لاكتشاف التغيير في صور الأقمار الصناعية باستخدام الشبكات العصبية العميقة (CNN). الهدف من هذه الطريقة هو الحصول على خريطة للتغيرات مباشرة من الصورتين باستخدام CNN. أولا، يتم تقسيم الصورة (عادة ما تكون الصور قبل حدوث التغيير) إلى أجزاء من نفس الحجم سيتم تصنيفها بواسطة CNN لاحقا. يضمن تصنيف أجزاء الصورة أن الميزات المستخرجة منها متميزة قدر الإمكان. في الخطوة التي بعدها، سيتم استخدام شبكات CNN المدربة لاستخراج الميزات من الصورة الثانية (بعد حدوث التغيير). ولقد افترضنا في هذه الدراسة، أن الميزات المستخرجة من الأجزاء التي لم يحدث لها تغيير ستكون مماثلة لتلك المستخرجة من أجزاء الصورة الأولى، في حين أن الميزات المستخرجة من الأجزاء التي تم تغييرها ستكون مختلفة. أخيرا، ستتم مقارنة الصور استنادا إلى الميزات المستخرجة. تم إجراء التجارب على ثلاث مجموعات بيانات حقيقية مختلفة. استخدمنا معامل كابا (KC) ودرجة F لحساب مدى فاعلية الطريقة المقترحة ومقارنتها مع ثلاث تقنيات مختلفة: الفرق المطلق، ResNet وVGG19. توكد جميع النتائج التي تم الحصول عليها من مجموعات البيانات أهمية الطريقة التي اقترحناها في هذه الرسالة حيث حققت الطريقة المقترحة أفضل النتائج مقارنة بجميع الطرق الأخرى على كل مجموعات البيانات. | ||
| 653 | |a الشبكات العصبية |a الأقمار الصناعية |a الاستشعار عن بعد |a الصور الرقمية | ||
| 700 | |9 632829 |a Touzene, Abderezzak |e Advisor | ||
| 700 | |a Hedjam, Rachid |e Advisor |9 568978 | ||
| 700 | |9 517500 |a Abdesselam, Abdelhamid |e Advisor | ||
| 856 | |u 9809-008-007-0677-T.pdf |y صفحة العنوان | ||
| 856 | |u 9809-008-007-0677-A.pdf |y المستخلص | ||
| 856 | |u 9809-008-007-0677-C.pdf |y قائمة المحتويات | ||
| 856 | |u 9809-008-007-0677-F.pdf |y 24 صفحة الأولى | ||
| 856 | |u 9809-008-007-0677-1.pdf |y 1 الفصل | ||
| 856 | |u 9809-008-007-0677-2.pdf |y 2 الفصل | ||
| 856 | |u 9809-008-007-0677-3.pdf |y 3 الفصل | ||
| 856 | |u 9809-008-007-0677-4.pdf |y 4 الفصل | ||
| 856 | |u 9809-008-007-0677-5.pdf |y 5 الفصل | ||
| 856 | |u 9809-008-007-0677-6.pdf |y 6 الفصل | ||
| 856 | |u 9809-008-007-0677-R.pdf |y المصادر والمراجع | ||
| 930 | |d y | ||
| 995 | |a Dissertations | ||
| 999 | |c 1182377 |d 1182377 | ||
