Ανασκόπηση σε βάθος των δυνατοτήτων στο δίκτυο μετάδοσης εξαγωγής δρόμων με βελτιωμένο περίγραμμα από εικόνες τηλεπισκόπησης
Από RemoteSensing Wiki
Deep Feature-Review Transmit Network of Contour-Enhanced Road Extraction From Remote Sensing Images
Zhijin Ge, Yanling Zhao, Jin Wang, Duo Wang, Qi Si
πηγή: [[1]]
Μετάφραση και περίληψη:
Εισαγωγή:
Οι εικόνες τηλεπισκόπησης παρέχουν ταχεία απόκτηση δεδομένων για την εξαγωγή δρόμων σε περιπτώσεις όπου οι υπηρεσίες που ασχολούνται με τους δρόμους βασίζονται στην ερμηνεία ακρίβειας του δρόμου. Η τηλεπισκόπηση αντλεί πολλές θεωρίες ίδιες με την όραση του υπολογιστή ωστόσο περιλαμβάνει και μια σειρά από μοναδικές προκλήσεις κυρίως σε αισθητήρες και εφαρμογές. Πιο συγκεκριμένα, λόγω της ποικιλίας των γεωμετρικών τύπων και των υλικών οι δρόμοι που εξάγονται από την τηλεπισκόπηση παρουσιάζουν συχνά προβληματικά τμήματα και έλλειψη συνδεσιμότητας. Η εξαγωγή αντικειμένων από εικόνες τηλεπισκόπησης μπορεί να πραγματοποιηθεί έξω με βάση την τμηματοποίηση του ορίου, την ανίχνευση ακμών ή τα δίκτυα βαθιάς μάθησης. Τα δίκτυα βαθιάς μάθησης έχουν αποδειχθεί ότι είναι δυνητικά περισσότερο αποτελεσματικά και για αυτό έχουν εφαρμοστεί σε πολλές εφαρμογές τηλεπισκόπησης. Το συνελικτικό νευρωτικό δίκτυο είναι η κύρια αρχιτεκτονική που χρησιμοποιήθηκε για την κατάτμηση και ταξινόμηση αντικειμένων. Το πλήρες συνελικτικό δίκτυο πραγματοποιεί σημασιολογική κατάτμηση ολόκληρης της εικόνας χρησιμοποιώντας μια μονή διαδρομή προς τα μπροστά, η οποία βελτιώνει την απόδοση. Ωστόσο το μοντέλο με το πλήρη συνελικτικό δίκτυο παράγει χονδροειδής κατάτμηση και δεν είναι κατάλληλο για τμηματοποίηση μικρών αντικειμένων. Εφαρμογές έχουν αποδείξει ότι οι πολύπλοκοι και λεπτοί δρόμοι απαιτούν μια ισορροπία μεταξύ του νευρωτικού δικτύου και της αποδοτικότητας του υπολογιστή. Η διευρυμένη περιέλιξη παρέχει αυτήν την ισορροπία υποστηρίζοντας εκθετική επέκταση του δεκτικού πεδίου χωρίς απώλεια της ανάλυσης. Ένα άλλο πρόβλημα με την αποτύπωση των δρόμων μέσω τηλεπισκόπησης είναι η έλλειψη συνδεσιμότητας. Σε αυτήν την μελέτη προτείνεται μια βαθιά αξιολόγηση χαρακτηριστικών στο δίκτυο με βελτιωμένη εκμάθηση του περιγράμματος για εξαγωγή σύνθετων οδοστρωμάτων από εικόνες τηλεπισκόπησης.
Μεθοδολογία:
Η μελέτη αυτή προτείνει 3 εφαρμογές που στην συνέχεια γίνονται πειράματα με αυτές τις εφαρμογές:
- Προτείνεται μια βαθιά ανασκόπηση στο δίκτυο μετάδοσης που περιλαμβάνει μια μονάδα αξιολόγησης χαρακτηριστικών, μια γέφυρα που συνδέει πολλαπλά χαρακτηριστικά κλίμακας και έναν αποκωδικοποιητή που λαμβάνει και μεταδίδει χαρακτηριστικά από των κωδικοποιητή, την μονάδα αξιολόγησης χαρακτηριστικών και την γέφυρα.
- Ο νέος μηχανισμός αξιολόγησης χαρακτηριστικών περιλαμβάνει μια γειτονική μονάδα σύγκρισης χαρακτηριστικών χαρτών και ένα βελτιωμένο περίγραμμα επιχείρησης για την άμβλυνση της πιθανότητας απώλεια σύνδεσης δρόμου λόγω απώλειας παραμέτρων βάθους.
- Δύο διαθέσιμα δημόσια σύνολα δεδομένων ελέγχονται και επικυρώνονται χρησιμοποιώντας την προτεινόμενη μέθοδο
Ανάλυση μεθόδων :
- Τα βαθιά νευρωτικά δίκτυα είναι αδιαφανή λόγω της πολυεπίπεδης και μη γραμμικής δομής τους. Η υποβάθμιση σε μια εικόνα μικρής κλίμακας δεν μπορεί να είναι σημαντική. Ωστόσο στην εφαρμογή σε εικόνες τηλεπισκόπηση το δίκτυο μπορεί να συσσωρεύσει πολλά λανθασμένα αποτελέσματα πρόβλεψης για διάφορους τύπους δρόμων. Η εξαγωγή δρόμων από εικόνες τηλεπισκόπησης μπορεί να θεωρηθούν ως μια διαδικασία δυαδικής ταξινόμησης, όπου οι λεπτομέρειες του περιγράμματος των δρόμων να είναι ζωτικής σημασίας για την ταξινόμηση. Για ενίσχυση της αναγνώρισης του δικτύου ικανότητα όσον αφορά τη διατήρηση των χαρακτηριστικών του περιγράμματος, ένας νέος μηχανισμός αξιολόγησης χαρακτηριστικών έχει σχεδιαστεί για να μετριάσει την πιθανότητα απώλειας οδικής σύνδεσης και να ενισχύσει τα βάρη των χαρακτηριστικών του περιγράμματος στην εξαγωγή πολλαπλών δρόμων από εικόνες τηλεπισκόπησης. Επειδή το οδικό δίκτυο καταλαμβάνει μικρό ποσοστό σε μια εικόνα τηλεπισκόπησης του προστίθεται και μια λειτουργία βελτίωσης του περιγράμματος για να αυξηθούν τα βάρη των πιθανών περιγραμμάτων του δρόμου σε χάρτες χαρακτηριστικών.
- Η βαθιά ανασκόπηση του δικτύου μετάδοσης διαθέτει τρία στοιχεία των κωδικοποιητή με την μονάδα αξιολόγησης χαρακτηριστικών, την γέφυρα και τον αποκωδικοποιητή με πολλές δυνατότητες μετάδοσης. Λαμβάνοντας υπόψη τη λεπτή και σύνθετη γεωμετρία του οδικού δικτύου προστέθηκαν δύο μονάδες αξιολόγησης χαρακτηριστικών για την βελτίωση της ικανότητας του δικτύου να εξάγει και να διατηρεί τα χαρακτηριστικά του περιγράμματος. Για να αποφευχθεί η απώλεια πληροφοριών εισήχθη η γέφυρα για τη μετάδοση των χαρακτηριστικών στον αποκωδικοποιητή. Συγκεκριμένα ο αποκωδικοποιητής λαμβάνει τα μεταδιδόμενα χαρακτηριστικά από το κάθε στοιχείο: τον κωδικοποιητή, την μονάδα αξιολόγησης χαρακτηριστικών και την γέφυρα. Συνολικά 31 υπολειμματικές μονάδες χρησιμοποιούνται για την παροχή του απαραίτητου βάθους δικτύου στον κωδικοποιητή και στον αποκωδικοποιητή.
Πείραμα:
Για το πείραμα χρησιμοποιήθηκαν 2 διαθέσιμα σύνολα δεδομένων για την σύγκριση της απόδοσης του δικτύου. Το πρώτο σύνολο είχε μια αεροφωτογραφία και κάθε εικόνα ήταν 1500 χ 1500 pixel σε μέγεθος. Τυχαία χωρίστηκαν τα δεδομένα σε 1108 εικόνες και ένα τεστ σετ από 49 εικόνες που καλύπτουν μια ποικιλία αστικών, προαστιακών και αγροτικών περιοχών. Το δεύτερο σύνολο περιέχει 6226 περιοχές εκπαίδευσης στην εικόνα και 1101 δοκιμαστικές εικόνες. Η ανάλυση των εικόνων ήταν 50 εκατοστά ανά pixel με τρία κανάλια (R, G, B). Συνολικά επιλέχθηκαν 2000 εικόνες τυχαία για την εκπαίδευση του προτεινόμενου δικτύου και 242 εικόνες για το σύνολο της δοκιμής. Στην συνέχεια έγιναν κάποιες μετρήσεις αξιολόγησης δίνοντας βαθμολογίες στην ορθότητα, στην ακρίβεια, στην ανάκληση και στην διασταύρωση πάνω στις ενώσεις. Το πρώτο σύνολο δοκιμάστηκε και εκπαιδεύτηκε με την βαθιά αξιολόγηση χαρακτηριστικών. Για αυτό το σενάριο επιλέχθηκαν 53 τυχαίες εικόνες και μεταφέρθηκαν στην μονάδα αξιολόγησης χαρακτηριστικών. Στο δεύτερο σενάριο χρησιμοποιήθηκε η ίδια μέθοδος πάλι άλλα αυτήν την φορά επιλέχθηκαν 100 τυχαίες εικόνες για την μονάδα αξιολόγησης χαρακτηριστικών. Από τα αποτελέσματα παρατηρείται ότι η 2η μέθοδος έβγαλε καλύτερα αποτελέσματα. Σύμφωνα με τη μελέτη μας, είναι καταλληλότερο να προσθέσουμε τον μηχανισμό αξιολόγησης χαρακτηριστικών στο ρηχό συνελικτικό στρώμα. Αυτό είναι επειδή το ρηχό συνελικτικό στρώμα είναι ευαίσθητο στα χαρακτηριστικά του περιγράμματος του δρόμου. Έτσι, η αύξηση των βαρών αυτών των χαρακτηριστικών μπορεί να είναι ευεργετικό για την οδοποιία.
Συμπεράσματα:
Σε αυτήν την μελέτη εισήχθη μια διαδικασία βαθιάς ανασκόπησης δικτύου μετάδοσης για την βελτιωμένη εκμάθηση του περιγράμματος για την εξαγωγή δεδομένων δρόμων από εικόνες τηλεπισκόπησης. Μια μονάδα αξιολόγησης χαρακτηριστικών σχεδιάστηκε για να καταγράψει τα χαρακτηριστικά του περιγράμματος του δρόμου και στη συνέχεια να δίνει τα χαρακτηριστικά στον αποκωδικοποιητή. Ακόμα, μια γέφυρα μεταξύ αποκωδικοποιητή και κωδικοποιητή εισήχθη για την ανάκτηση των χαμένων δυνατοτήτων χωρίς να περιλαμβάνει πρόσθετες παραμέτρους. Και στα 2 σύνολα δεδομένων που αναλύθηκαν βγήκαν καλύτερα αποτελέσματα. Η βελτιωμένη ικανότητα εκμάθησης περιγράμματος βελτίωσε την εξαγωγή των αποτελεσμάτων του δρόμου και μετρίασε το φαινόμενο του κατακερματισμού σε τμήματα του δρόμου και εκεί που λείπουν συνδέσεις. Λόγω των περιορισμών που υπάρχουν στις εικόνες τηλεπισκόπησης υπήρχαν διφορούμενα σημεία αν υπήρχαν για αγροτικό μονοπάτι. Για αυτό και η βελτιοποίηση της υψηλής ποιότητας αγροτικού δρόμου απαιτεί εξαγωγή δεδομένων για περαιτέρω διερεύνηση εικόνων τηλεπισκόπησης.
