دانشکده مهندسی

گروه آموزشی کامپیوتر

 

اطلاعیه دفاع از پایان‌نامه کارشناسی ارشد در رشته مهندسی کامپیوتر گرایش هوش مصنوعی

 

عنوان:

 

دسته‌بندی تصاویر ابرطیفی مبتنی بر روش‌های محاسبات نرم با استفاده از داده‌های برچسب خورده محدود

 

اساتید راهنما:

دکتر حسن ختن‌لو

دکتر یوسف رضایی

 

اساتید ممتحن:

دکتر میرحسین دزفولیان

دکتر مهدی سخایی‌نیا

 

پژوهشگر:

مجید راهبر

 

زمان:

شنبه 6/11/1397 ساعت 17:30

 

مکان:

آمفی تئاتر دانشکده مهندسی

 

BU-Ali Sina University

 

Faculty of Engineering

Department of Computer Engineering

 

 

Thesis submitted for Master of Science in computer Engineering Artificial Intelligence

 

 

Title

 

Classification of Hyperspectral images with Soft Computing Methods using a few labeled samples

 

Supervisor:

Dr. Hassan Khotanlou

Dr. Yousef Rezaei

 

Supervisor:

Dr. Mir Hoseyn Dezfouian

Dr. Mehdi Sakhaei-nia

 

By:

Majid Rahbar

 

January, 26, 2019

 

تصاویر ابرطیفی از جمله تصاویر هوایی به شمار می‌روند که تجزیه و تحلیل آن‌ها یکی از زمینه‌های پرکاربرد در حوزه سنجش از دور به حساب می‌آید. برخی کاربرد‌های این تصاویر در گروه مسائل دسته‌بندی قرار می‌گیرند. دو چالش اصلی در رابطه با دسته‌بندی این تصاویر مطرح است: اول، برای دسته‌بندی این تصاویر نمونه‌های آموزشی کمی در دسترس است که این موضوع در کنار ابعاد بسیار زیاد داده‌های ابرطیفی مشکلاتی در دسته‌بندی ایجاد می‌کند. دوم، عواملی نظیر نویزهای سنسور و مواد تشکیل دهنده اتمسفر باعث بروز مشکل تغییرات طیفی می‌شوند که موجب چالش برانگیز شدن شناسایی کلاس‌ها و تخصیص نمونه‌ها به آن‌ها شده‌است. با پیشرفت‌های اخیر در زمینه یادگیری ماشین، شبکه‌های عصبی به عنوان روشی کارآمد برای حل مسائل مختلف شناخته شده‌اند. در این پژوهش یک روش دسته‌بندی طیفی-مکانی تصاویر ابرطیفی مبتنی بر شبکه عصبی کانولوشنی و مدل تصادفی مارکف ارائه شده‌است. در این روش از تکنیک‌های افزایش داده، نظیر استفاده از دوران و انعکاس، افزودن نویز گوسی، و افزایش داده مبتنی بر برچسب برای مقابله با مشکل تعداد نمونه‌های آموزشی کم استفاده شده‌است. جهت جلوگیری از بیش‌برازش، شبکه عصبی مورد استفاده فاقد لایه‌های تمام متصل بوده و در آن از نرخ حذف تصادفی بالا استفاده شده‌است. در مرحله آزمون، پس از به دست آمدن احتمال تعلق نمونه‌های مختلف به کلاس‌ها توسط شبکه عصبی، برچسب‌های نهایی با استفاده از الگوریتم α-Expansion مبتنی بر min-cut بهبود داده شده‌اند.

روش پیشنهادی بر روی سه مجموعه داده معیار Indian Pines، Salinas و Pavia University. نتایج آزمایش‌ها نشان داد که روش پیشنهادی در شرایط وجود مجموعه داده‌های آموزشی محدود، در دسته‌بندی این سه مجموعه داده نسبت به روش‌های دیگر عملکرد قابل قبولی دارد.

کلمات کلیدی : دسته‌بندی، تصاویر ابرطیفی، یادگیری عمیق، شبکه عصبی کانولوشنی، میدان تصادفی مارکف

 

Hyperspectral images (HSI) are a type of the aerial images. HSI analysis is one of the fundamental tasks in the area of remote sensing, and it has a lot of application, some of which could be modeled as classification tasks. In this case, there are two main challenges. First, there is a lack of training data which makes the classification tasks harder, considering that HSI images come in high dimensions. The second problems is caused by the sensor noises and the condition of atmosphere at the time of sampling which makes the classification tasks even harder due to the fact that the original samples might go though some unwanted changes. On the other hand, machine learning methods such as neural networks have been gaining lots of attention for tackling with various classification tasks. In this research, a spectral-special model based on convolutional neural networks (CNN) and Markov Random field is proposed for solving the classification problem of HSI. For dealing with the lack of training data and having a better results, data augmentation techniques: rotation, flip, adding Gaussian noise, and label based augmentation, are employed. To avoid overfitting, fully connected which are usually used in deep models, are not used. Moreover, high rate dropout are considered. In the test phase, the vector containing the probability of each particular sample for all the classes obtained by CNN is fed into the Markov model. This model uses the α-Expansion algorithm based on Min-CUT technique to improve the labels computed by CNN.

The proposed method is evaluated on three benchmark datasets, namely Indian Pines, Salinas, and Pavia University. The evaluation results shows that the proposed methods achieves a comparable performance in comparison with related works.

Keyword: Classification, Hyperspectral Image, Deep learning, Convolutional Neural Network, Markov Random Field