دانشکده فنی و مهندسی

گروه آموزشی مهندسی کامپیوتر

طلاعیه دفاع از  پایان نامه کارشناسی ارشد در رشته مهندسی کامپیوتر گرایش هوش مصنوعی

عنوان:

دسته‌بندی چند برچسبه تصاویر ماهواره‌ای با استفاده از روش‌های یادگیری عمیق

اساتید راهنما:

جناب آقای دکتر حسن ختن­لو

جناب آقای دکتر یوسف رضایی  

اساتید ممتحن:

جناب آقای دکتر میرحسین دزفولیان

جناب آقای دکتر محرم منصوری زاده

 پژوهشگر:

رضا محمدی مقدم

زمان:

دوشنبه  1/11/1397 ساعت 15

مکان:

سمینار 2 دپارتمان برق (سالن مرحوم مهندس خانمحمدی)

 

Bu-Ali Sina University

Faculty of Engineering

Department of Computer Engineering

 

Thesis submitted for Master of Science in computer Engineering-Artificial Intelligence

Title:

Multi-label Satellite Image Classification Using Deep Learning Approaches 

Supervisor:

Dr.Hassan Khotanlou

Dr.Yousef Rezayi

 

Judges:

Dr.Mir Hossein Dezfoulian

Dr.Muharram Mansoorizadeh

 

Author:

Reza Mohammadi Moqaddam

 January 21, 2019

 

        با گسترش روز افزون رسانه­های تصویربرداری هوایی و در نتیجه داده­های ماهواره­ای، نیاز به الگوریتم­هایی کارا برای بررسی این تصاویر بیشتر احساس می­شود. تصاویر ماهواره­ای در زمینه­های مختلفی مورد استفاده قرار می­گیرند. یک نمونه از این حوزه­ها، نظارت و حراست از محیط زیست است. از طرفی روش­های مبتنی بر یادگیری عمیق در حوزه­های مختلف، عملکرد مطلوبی را ازخود به نمایش گذاشته­اند. دسته­بندی تک برچسبه به فرآیند اختصاص یک برچسب از میان دسته­های موجود به یک نمونه گفته می­شود. دسته­بندی تک برچسبه از دیرباز مورد توجه محققان بوده است و نتایج مطلوبی در این حوزه حاصل شده­است. دسته­بندی چند برچسبه از سوی دیگر، به فرآیند اختصاص چند برچسب (Y) به یک نمونه موجود گفته می­شود. فضای ممکن برای تمام حالات دسته­ها در دسته­بندی چندبرچسبه از ترکیب تمام دسته­ها () حاصل می­شود. این فضا بسیار بزرگ است و پیچیدگی مسئله را بسیار زیاد می­کند در این پژوهش، روشی کارآمد مبتنی بر یادگیری عمیق برای طبقه­بندی چند برچسبه تصاویر ماهواره­ای ارائه شده است. روش پیشنهادی از چند بخش تشکیل شده است. بخش اول شامل پیش پردازش تصاویر است. در بخش دوم شبکه­ای ترکیبی با استفاده از اجزاء شبکه­های عصبی پیچشی ارائه شده است. شبکه پیشنهادی، از دوشبکه معروف در حوزه دسته­بندی تک برچسبه تصاویر به نام­های VGG19 و Densenet استفاده می­کند. به جهت پردازش ویژگی‌های خام استخراج‌شده، شبکه‌ای با استفاده از ساختار شبکه در شبکه طراحی شده است. در انتها از یک روش پس­پردازش برای تعیین آستانه برچسب­زنی استفاده شده است. همچنین روش پیشنهادی، بر روی دو مجموعه داده با دو حوزه مجزا آزموده شد. مجموعه داده اول، مجموعه داده آمازون تحت عنوان: Planet: Understanding the Amazon from Space با محتوای تصاویر ماهواره­ای است. مجموعه داده دوم، مجموعه داده PASCAL Visual Object Classes (VOC) با محتوای اشیاء واقعی است. ارزیابی­های کمی و کیفی صورت گرفته بر روی این مجموعه داده­ها عملکرد مطلوب روش پیشنهادی را برای دسته­بندی چندبرچسبه تصاویر نشان می­دهد.

 

Satellite images have wide applications in various subjects including environment protections.  On the other hand deep learning approaches have shown significant performance in various domains including image classification, natural language processing and signal processing. Multi-label image classification aims to predict multiple labels for a single image which consists of diverse contents. The main challenge in Multi-label classification task to achieve a decent performance is the lack of enough training data. Convolutional Neural Networks (CNN) has shown satisfying results in single-label image classification but multi-label image classification is still an open field of research. In this paper an efficient hybrid method for multi-label image classification is proposed. The proposed method has three major parts including Pre-processing unit, Proposed Network and Post processing unit. The proposed Network consists of multiple sub-networks, these parts have been optimized to improve extracted features and classify instances. We examined our proposed hybrid method on two datasets on different domains. The experimental results obtained in this study demonstrate the plausible performance of the proposed method on "Pascal VOC 2012" and "Kaggle: Understanding the Amazon from space challenge" datasets.