در راستای روند اخیر پیشرفت و بهبود عملکرد قابل توجه در یادگیری عمیق که زیر شاخه هوش مصنوعی است، تحقیقات و کاربردهای فعالی در این زمینه صورت گرفته است.

به ویژه، تقاضای فزاینده ای برای کاربردهای صنعتی وجود داشته است و تصاویر منطقه ای از طیف وسیعی از مناطق به دست آمده است. با این حال، در این تصاویر هوایی، دامنه‌هایی که نشان‌دهنده ویژگی‌های تصویر هستند، بسته به زمان عکس‌برداری و همچنین مکان و ویژگی‌های شهری که در آن تصاویر گرفته شده است، متفاوت است.

هنگامی که تصاویر هوایی در موارد مربوطه دارای حوزه‌های متفاوتی باشند، استفاده از تصاویر برای شناسایی اشیاء خاص یا پیش‌بینی تصاویر منفرد در عکس‌هایی که انواع عکس‌های هوایی هر کدام با دامنه متفاوتی را ادغام می‌کنند، دشوارتر خواهد بود.

برای رسیدگی به این مشکلات، پروفسور هوانگ این فرضیه را مطرح کرد که این مشکل را می توان با تنظیم دقیق متغیرهای پارامترهای شبکه تصاویر هوایی با دامنه های متعدد حل کرد. در نتیجه، تیم تحقیقاتی توانست به طور دقیق یک ساختمان را از تصاویر هوایی جدا کند و یک ساختمان را در تصاویر منطقه ای با دامنه های مختلف به طور دقیق تشخیص دهد.

علاوه بر این، با استفاده از ساختار شبکه‌های متخاصم مولد (GANs)، این تیم یک شبکه عصبی تطبیقی با دامنه را توسعه داد که قادر به تنظیم پارامترهای شبکه عصبی هوش مصنوعی به تنهایی برای تطبیق دامنه‌های ورودی با تصاویر عکس‌برداری شده است.

هنگامی که الگوریتم تشخیص ساختمان (بخش بندی) بر روی تصاویر هوایی حوزه های مختلف اعمال شد، مکان، مرز و شکل ساختمان ها به طور دقیق شناسایی شد، از جمله دامنه های مورد استفاده برای آموزش شبکه عصبی مصنوعی.

پروفسور Jae Youn Hwang اظهار داشت: "شبکه عصبی توسعه یافته در این تحقیق جدید است و قادر به تنظیم تطبیقی بر اساس هر حوزه است."

وی افزود: با پیشرفت در روش پیشنهادی، انتظار می‌رود که یافته‌های این تحقیق با کاربرد در زمینه‌های مختلف مانند سنجش از دور و تصویربرداری پزشکی، تأثیر مثبتی بر توسعه بیشتر هوش مصنوعی داشته باشد.

224000903.198