1. ক্যামেরা
2. লেসার
3. রেডিও তরঙ্গ গ্রহণকারী রিসিভার বা সংগ্রাহক
4. রাডার ব্যবস্থা
5. সনার
6. সীসমোগ্রাফ
7. গ্রাভিমিটারস
8. ম্যাগ্নেটমিটার।

রিমোট সেন্সিং 1960 এর দশকে উদ্ভূত একটি বিস্তৃত প্রযুক্তি যা দীর্ঘ দূরত্বের বিভিন্ন স্থল দৃশ্য সনাক্ত করতে এবং সনাক্ত করতে বিভিন্ন সেন্সিং যন্ত্র ব্যবহার করে [1]। সাম্প্রতিক বছরগুলিতে, স্থল পর্যবেক্ষণ প্রযুক্তির দ্রুত বিকাশের সাথে, রিমোট সেন্সিং অভূতপূর্ব নতুন পর্যায়ে প্রবেশ করেছে এবং উচ্চ স্থানিক রেজোলিউশন এবং সংক্ষিপ্ত পুনর্বিবেচনার সময়কালে প্রচুর ইমেজিং উপগ্রহ আবির্ভূত হয়েছে [২]। পৃথক স্থান ভিত্তিক পুনরুদ্ধার ব্যবস্থা এবং প্রকল্প যেমন আর্থ ইমেজিং স্যাটেলাইট সিস্টেম এবং পরবর্তী প্রজন্মের অপটোলেকট্রনিক সিস্টেমগুলির অগ্রগতি এবং বাস্তবায়নের সাথে সাথে আরও ভাল পারফরম্যান্স সহ পৃথিবীর পর্যবেক্ষণ, উচ্চতর স্থানিক এবং বর্ণালী রেজোলিউশন এবং সংক্ষিপ্ত পুনর্বিবেচনার সময়সীমা অব্যাহত থাকবে উপগ্রহ, উপলভ্য স্যাটেলাইট রিমোট সেন্সিং চিত্রের ডেটাও তাত্পর্যপূর্ণভাবে বৃদ্ধি পাবে [3]। রিমোট সেন্সিং প্রযুক্তির দ্রুত বিকাশ দূরবর্তী সেন্সিং চিত্রগুলিতে মেশিন দৃষ্টি প্রয়োগের জন্য প্রচুর উচ্চ মানের সংস্থান সরবরাহ করে। রিমোট সেন্সিং প্রযুক্তির পরিবেশ সনাক্তকরণ এবং অন্যান্য ক্ষেত্রে যেমন বিস্তৃত প্রয়োগ, যেমন সনাক্তকরণ, ভূতাত্ত্বিক বিপদ সনাক্তকরণ, ভূমি ব্যবহার এবং ভূমি কভার (এলইউএলসি) ম্যাপিং, ভৌগলিক তথ্য ব্যবস্থা (জিআইএস) আপডেট, যথার্থ কৃষি এবং নগর পরিকল্পনা [৪]।

হাইপারস্পেকট্রাল রিমোট সেন্সিং ইমেজ, একটি উচ্চ বর্ণালী রেজোলিউশনে রিমোট সেন্সিং ইমেজ বিকাশের পণ্য হিসাবে "মানচিত্র এবং বর্ণালী একীকরণ" এর বৈশিষ্ট্য রয়েছে। দীর্ঘ পরিসরের স্তরগুলির স্থানিক তথ্য রেকর্ড করার সময় এটি সমৃদ্ধ বর্ণালী তথ্য রেকর্ড করে। হাইপারস্পেকট্রাল ইমেজের একক পিক্সেলের বৈশিষ্ট্যযুক্ত তথ্য রয়েছে যা এটি পার্শ্ববর্তী পিক্সেল থেকে পৃথক করতে পারে Therefore সুতরাং, হাইপারস্পেকট্রাল রিমোট সেন্সিং চিত্রের শ্রেণিবিন্যাসের গবেষণা ফোকাসটি নেওয়া হয়েছে। গভীর শিক্ষার দ্রুত বিকাশের সাথে সাথে গভীর শিক্ষার উপর ভিত্তি করে বর্তমান হাইপারস্পেকট্রাল রিমোট সেন্সিং চিত্র শ্রেণিবদ্ধকরণ পদ্ধতিগুলি মূলধারায় পরিণত হয়েছে। হাইপারস্পেকট্রাল ইমেজগুলির বর্ণালী তথ্য প্রাপ্তি সহজ হওয়ার কারণে, প্রারম্ভিক হাইপারস্পেকট্রাল রিমোট সেন্সিং চিত্রের শ্রেণিবিন্যাস কেবল বর্ণালী সংক্রান্ত তথ্য বের করে। শ্রেণিবিন্যাসের জন্য হাইপারস্পেকট্রাল রিমোট সেন্সিং ইমেজগুলির স্থানিক তথ্যকে গুরুত্ব দেওয়ার পরে একাডেমিক সম্প্রদায় দ্বারা হাইপারস্পেকট্রাল রিমোট সেন্সিং ইমেজগুলির শ্রেণিবিন্যাসকে ক্রমান্বয়ে বর্ণাল তথ্য এবং স্থানিক তথ্য ব্যবহার করে শ্রেণিবিন্যাস পদ্ধতিতে এবং স্থানিক তথ্য এবং বর্ণালী তথ্য সংমিশ্রনের একটি পদ্ধতি রূপান্তরিত হয়েছে। তবে, এই পদ্ধতিগুলির দ্বারা স্থানিক তথ্যের ব্যবহার স্নায়বিক নেটওয়ার্কগুলি ব্যবহার করে নির্দিষ্ট নিষ্কাশনের মধ্যে সীমাবদ্ধ এবং হাইপারস্পেকট্রাল চিত্রগুলির বৈশিষ্ট্য তথ্য পুরোপুরি খনন করা হয় না। অতএব, এই বিষয়টি হাইপারস্পেকট্রাল রিমোট সেন্সিং চিত্রগুলির শ্রেণিবিন্যাসের জন্য একাধিক বৈশিষ্ট্য সংমিশ্রণের উপর ভিত্তি করে একটি গভীর শিক্ষণ পদ্ধতির প্রস্তাব দেয় এটি একাধিক বিভিন্ন বৈশিষ্ট্য নিষ্কাশন পদ্ধতি ব্যবহার করে, হাইপারস্পেকট্রাল রিমোট সেন্সিং চিত্রগুলির স্থানিক তথ্যকে পুরোপুরি ব্যবহার করে এবং গভীর ফিউশন জন্য গভীর শেখার পদ্ধতি ব্যবহার করে। , যার ফলে হাইপারস্পেকট্রাল রিমোট সেন্সিং চিত্রগুলির শ্রেণিবদ্ধকরণের প্রভাব উন্নত করা হয়।

হাইপারস্পেকট্রাল রিমোট সেন্সিং ইমেজগুলির শ্রেণিবদ্ধকরণ স্থল বৈশিষ্ট্যের প্রকারগুলি কার্যকরভাবে সনাক্ত করতে পারে তবে স্থল বৈশিষ্ট্যের সীমানা অনিয়মিত বা স্থল বৈশিষ্ট্যগুলির ক্ষেত্র যথেষ্ট পরিমাণে বড় নয় এমন ক্ষেত্রে এর ভাল শ্রেণিবিন্যাসের প্রভাব নেই। সাম্প্রতিক বছরগুলিতে রিমোট সেন্সিং ইমেজ প্রসেসিংয়ের উপর আরেকটি জনপ্রিয় গবেষণা হিসাবে অপটিকাল রিমোট সেন্সিং ইমেজ টার্গেট সনাক্তকরণ কেবল বৈশিষ্ট্যের প্রকারগুলিই সনাক্ত করতে পারে না, তবে সঠিক সনাক্তকরণ অর্জনের জন্য স্বীকৃত বৈশিষ্ট্যগুলিও সনাক্ত করতে পারে। হাইপারস্পেকট্রাল রিমোট সেন্সিং ইমেজগুলির সাথে তুলনা করলে অপটিকাল রিমোট সেন্সিং চিত্রগুলিতে আরও প্রচুর স্থানিক তথ্য রয়েছে, তাই তারা স্থলবস্তুর স্থানিক তথ্যের পরিবর্তনশীলতার সাথে লড়াই করার ভাল ক্ষমতা রাখে। বর্তমানে, মূলধারার অপটিকাল রিমোট সেন্সিং ইমেজ টার্গেট সনাক্তকরণ আলগোরিদিমগুলি গভীর শিক্ষার উপর ভিত্তি করে অ্যালগরিদম। এর মধ্যে অনেকগুলি অ্যালগোরিদম ছোট লক্ষ্যগুলি সনাক্তকরণের প্রভাব উন্নত করতে বহু-স্কেল তথ্য ব্যবহার করে, যা অ্যালগরিদমের সামগ্রিক সনাক্তকরণের নির্ভুলতা প্রচার করবে। তবে, ছোট লক্ষ্যগুলি সনাক্ত করতে অসুবিধা ছাড়াও, অপটিক্যাল রিমোট সেন্সিং চিত্রগুলিতে অবজেক্ট সনাক্তকরণ জটিল জটিল সনাক্তকরণের ব্যাকগ্রাউন্ড এবং নিউরাল নেটওয়ার্কগুলির দ্বারা ঝাপসা বৈশিষ্ট্যযুক্ত মানচিত্রের কিনারা আউটপুট হিসাবেও সমস্যার মুখোমুখি হয়। বর্তমান পদ্ধতিটি একই সাথে একাধিক সমস্যা সমাধানের জন্য আদর্শ নয়। অতএব, এই বিষয়টি একটি গভীর শিক্ষণ-ভিত্তিক লক্ষ্য সনাক্তকরণ অ্যালগরিদমের সাথে একত্রিত করতে একাধিক বৈশিষ্ট্যগুলির সুবিধাগুলি ব্যবহার করে উপযুক্ত বৈশিষ্ট্যগুলি সনাক্ত করতে পারে যা লক্ষ্য সনাক্তকরণের সম্মুখীন সমস্যাগুলি সমাধান করতে পারে এবং অপটিকাল রিমোট সেন্সিং চিত্র লক্ষ্য সনাক্তকরণের দ্বারা সম্মুখীন সমস্যার উন্নতি করতে তাদের একত্রিত করতে পারে একাধিক প্রশ্ন।

৩. দেশে ও বিদেশে গবেষণার অবস্থা ও অগ্রগতি

হাইপারস্পেকট্রাল রিমোট সেন্সিং ইমেজ শ্রেণীবদ্ধকরণ এবং অপটিক্যাল রিমোট সেন্সিং ইমেজ টার্গেট সনাক্তকরণ দূরবর্তী সেন্সিং প্রযুক্তির বিকাশে দুটি গুরুত্বপূর্ণ গবেষণা সামগ্রী। উভয়ের মধ্যে সম্পর্ক বিভাজক নয়, তারা তাদের নিজস্ব সুবিধার সাথে মিলিত হয়েছে এবং স্থল পদার্থ সনাক্ত করতে দূরবর্তী সেন্সিং প্রযুক্তি ব্যবহারের জন্য উত্সর্গীকৃত, জমি ও সংস্থান ম্যাপিংয়ের ক্ষেত্রে প্রয়োগ করা হয় [5], সংস্থান জরিপ , পরিবেশ সনাক্তকরণ , শস্য উত্পাদন অনুমান [8] এবং দুর্যোগ মূল্যায়ন [9]। এই বিষয়টি দেশে এবং বিদেশে বর্তমান গবেষণা স্থিতি বিশ্লেষণ করে এবং হাইপারস্পেকট্রাল রিমোট সেন্সিং ইমেজ শ্রেণিবদ্ধকরণ এবং অপটিক্যাল রিমোট সেন্সিং ইমেজ টার্গেট সনাক্তকরণে গভীর শিক্ষণ পদ্ধতিগুলির পাশাপাশি দুটি ক্ষেত্রের গভীর শিক্ষার সাথে একাধিক বৈশিষ্ট্যগুলির সংমিশ্রনের পদ্ধতিগুলিতে মনোনিবেশ করে এবং সেগুলির সংক্ষিপ্তসার দেয়। এর সমস্যা এবং উন্নয়নের প্রবণতা।

৩.১ গভীর শিক্ষার উপর ভিত্তি করে হাইপারস্পেকট্রাল চিত্রের শ্রেণিবদ্ধকরণ পদ্ধতি

ডিপ লার্নিং (ডিএল) হ'ল মেশিন লার্নিংয়ের প্রযুক্তি এবং গবেষণা ক্ষেত্রগুলির মধ্যে একটি। হায়ারারিকাল স্ট্রাকচার সহ কৃত্রিম নিউরাল নেটওয়ার্ক (আর্টিফিশিয়াল নিউরাল নেটওয়ার্কস, এএনএন) স্থাপনের মাধ্যমে, কম্পিউটিং সিস্টেমগুলিতে কৃত্রিম বুদ্ধি প্রয়োগ করা হয়। যেহেতু শ্রেণিবদ্ধ এএনএন স্তর দ্বারা ইনপুট তথ্য স্তরটি বের করতে এবং ফিল্টার করতে পারে, গভীর শিক্ষার মধ্যে উপস্থাপনা শেখার সক্ষমতা রয়েছে, যা শেষ থেকে শেষ পর্যবেক্ষণে শেখা এবং আনসারভিজড লার্নিং উপলব্ধি করতে পারে। এই সুবিধাগুলি থেকে উপকৃত হয়ে হাইপারস্পেকট্রাল ইমেজ শ্রেণিবদ্ধকরণের ক্ষেত্রে গভীর শিক্ষাগুলি ব্যাপকভাবে ব্যবহৃত হয়েছে এবং ভাল ফলাফল অর্জন করেছে। এর মধ্যে কনভলিউশন নিউরাল নেটওয়ার্ক (সিএনএন), স্ট্যাকড অটো-এনকোডার (এসএই) এবং ডিপ বিলিফ নেটওয়ার্কস (ডিবিএন) হাইপারস্পেকট্রাল রিমোট সেন্সিং চিত্রগুলির শ্রেণিবদ্ধকরণে গুরুত্বপূর্ণ অবদান রেখেছে অবদান।

সাহিত্যে বৈশিষ্ট্য নিষ্কাশন এবং শ্রেণিবিন্যাসের জন্য একটি কনভোলজিকাল স্তর এবং একটি সম্পূর্ণ সংযোগ ব্যবহার করা হয়। সাহিত্যে ফিচার নিষ্কাশন এবং শ্রেণিবিন্যাসের জন্য ইনপুট স্তর, কনভ্যুশনাল স্তর, সর্বাধিক পুলিং স্তর, সম্পূর্ণ সংযুক্ত এবং আউটপুট স্তর সহ পাঁচটি স্তর ব্যবহৃত হয় uses সাহিত্যে দেখা গেছে যে সিএনএন দ্বারা উত্তোলিত গভীর বৈশিষ্ট্যগুলিতে তথ্য অপ্রয়োজনীয় হবে। সুতরাং সিএনএন বৈশিষ্ট্যগুলি নিষ্কাশনের পরে, এটি শ্রেণিবিন্যাসের জন্য বিরল প্রভাব সহ একটি শ্রেণিবদ্ধকরণ কাঠামো ব্যবহার করে, যা তথ্য অপ্রয়োজনীয়তা হ্রাস করে। শ্রেণিবিন্যাসের জন্য স্থানিক-বর্ণালী সম্মিলিত তথ্য আহরণের পরে, সাহিত্য পৃথকভাবে অপটিক্যাল তথ্যের নিষ্কাশন এবং শ্রেণিবিন্যাস এবং স্থানিক তথ্যের নিষ্কাশন এবং শ্রেণিবিন্যাসকে উপলব্ধি করে। তুলনা স্পেস-বর্ণালী তথ্যের সংমিশ্রণের কার্যকারিতা প্রমাণ করে। সাহিত্যে বর্ণালী বৈশিষ্ট্যগুলি নিষ্কাশন করতে বর্ণালী তথ্য শ্রেণিবদ্ধ করতে এবং তারপরে বর্ণার  বৈশিষ্ট্য এবং স্থানিক অবস্থানের সম্পর্কের মধ্যে মিলটি ব্যবহার করে মূল চিত্রটিতে সুপারপিক্সেল বিভাজন এবং ভোটদানের জন্য উন্নত সংস্করণ ব্যবহার করা হয়। সর্বাধিক ভোট সহ বিভাগটি চূড়ান্ত আউটপুট হিসাবে ব্যবহৃত হয়। স্থানিক তথ্যযুক্ত ত্রিমাত্রিক নমুনা ব্লকগুলি পাওয়ার পরে, সাহিত্যটি বৈশিষ্ট্য নিষ্কাশন এবং শ্রেণিবিন্যাসের জন্য ডিবিএন ব্যবহার করে। সাহিত্যে হাইপারস্পেকট্রাল ডেটার শ্রেণিবিন্যাসের জন্য মূল উপাদান বিশ্লেষণ, স্তর-ভিত্তিক বৈশিষ্ট্য নিষ্কাশন এবং লজিস্টিক রিগ্রেশন গভীর ফ্রেমে তৈরি করা হয়েছিল।

গভীর শিক্ষার প্রবর্তন হাইপারস্পেকট্রাল ইমেজ শ্রেণিবিন্যাসের বিকাশের উন্নতি করেছে হাইপারস্পেকট্রাল ইমেজ শ্রেণিবদ্ধকরণের traditional পদ্ধতির তুলনায়, গভীর শিক্ষার দ্বারা ম্যানুয়ালি বৈশিষ্ট্যগুলি বেছে নেওয়ার পদক্ষেপটি প্রতিস্থাপন করা হয় এবং স্বয়ংক্রিয়ভাবে গভীরতর এবং আরও বিমূর্ত বৈশিষ্ট্য নিষ্কাশন সম্পাদন করে কার্যকরভাবে শ্রেণিবিন্যাসের যথার্থতা উন্নত করা হয় ডিগ্রী। তবে হাইপারস্পেকট্রাল রিমোট সেন্সিং ইমেজগুলির শ্রেণিবিন্যাসে গভীর শেখার এখনও অনেক ত্রুটি রয়েছে। উদাহরণস্বরূপ, গভীর শিক্ষার জন্য প্রশিক্ষণের জন্য প্রচুর পরিমাণে লেবেলযুক্ত নমুনার ডেটা প্রয়োজন এবং প্রশিক্ষণের নমুনাগুলি অপর্যাপ্ত হলে ভাল বৈশিষ্ট্যগুলি বের করা কঠিন। নিউরনের ওজন সামঞ্জস্য করতে ধারাবাহিকভাবে ব্যাক-প্রসারণ পুনরাবৃত্তি করার প্রয়োজনের কারণে পুরো নেটওয়ার্কের প্রশিক্ষণের সময়টি ক্লান্তিকর। এছাড়াও, গভীর নিউরাল নেটওয়ার্কগুলিতে প্রচুর পরিমাণে হাইপারপ্যারামিটার থাকে এবং ম্যানুয়াল প্যারামিটার সামঞ্জস্য করতে সময় এবং প্রচেষ্টা লাগে। 

৩.১ গভীর অরণ্যের ভিত্তিতে হাইপারস্পেকট্রাল চিত্রের শ্রেণিবদ্ধকরণ পদ্ধতি

ডিপ অরণ্যটি চাউ এট আল দ্বারা প্রস্তাবিত গভীর নিউরাল নেটওয়ার্কগুলির চেয়ে পৃথক একটি গভীর শিক্ষার মডেল এটি মৌলিক ইউনিট হিসাবে এলোমেলো বন এবং সম্পূর্ণরূপে এলোমেলো বন রয়েছে Rand র্যান্ডম বন এবং সম্পূর্ণরূপে এলোমেলো বনগুলি সিদ্ধান্ত গাছের সমন্বয়ে গঠিত। সুতরাং, গভীর অরণ্য সিদ্ধান্ত গাছের সুবিধাগুলি উত্তরাধিকার সূত্রে প্রাপ্ত এবং নিউরাল নেটওয়ার্কগুলির তুলনায় কম হাইপারপ্যারামিটার রয়েছে। গভীর বন অরণ্য বৃদ্ধির গভীরতার মূল্যায়ন করতে ক্রস-বৈধতা ব্যবহার করে। নেটওয়ার্কটি সর্বোত্তম ফলাফল অর্জন করলে এটি বৃদ্ধি পেতে বন্ধ করে, তাই এটি অপ্রতুল প্রশিক্ষণের নমুনা সহ ছোট ডেটা সেট বা ডেটা সেটগুলির জন্য ভাল সম্পাদন করে। এই সুবিধার জন্য ধন্যবাদ, গভীর অরণ্য হাইপারস্পেকট্রাল রিমোট সেন্সিং চিত্রগুলির শ্রেণিবদ্ধকরণে ব্যবহৃত হয়েছে।

হাইপারস্পেকট্রাল চিত্রের শ্রেণিবিন্যাসের জন্য সাহিত্যে একটি ঘন সংযুক্ত গভীর এলোমেলো বন কাঠামোর প্রস্তাব দেওয়া হয়েছিল। সাহিত্যে গভীর হাইপারস্পেকট্রাল চিত্র বৈশিষ্ট্য নিষ্কাশনের জন্য একটি গভীর মাল্টি-গ্রানুলারিটি ক্যাসকেড ফরেস্টের (ডিজিসিফোরেস্ট) প্রস্তাব করা হয়েছে এবং তথ্য অপ্রয়োজনীয়তা হ্রাস করার জন্য গভীর বৈশিষ্ট্য নিষ্কাশন কাঠামোর পরে একটি পুলিং স্তর যুক্ত করা হয়। খুব ভাল ফলাফল। যদিও ডিজিফোরেস্ট মূল গভীর বনকে উন্নত করেছে এবং এইচএসআই শ্রেণিবিন্যাসে মূল গভীর অরণ্যের অভাবকে সজ্জিত করেছে এবং ভাল উন্নতির ফলাফল অর্জন করেছে। তবে ডিজিফোরস্টের হাইপারস্পেকট্রাল রিমোট সেন্সিং ডেটার স্থানিক বৈশিষ্ট্যগুলির উচ্চ ব্যবহার নেই।

হাইপারস্পেকট্রাল রিমোট সেন্সিং চিত্রের শ্রেণিবিন্যাস ধীরে ধীরে কেবল ব্যান্ডের তথ্য ব্যবহার করে বর্ণালি এবং স্থানিক তথ্যের সংমিশ্রণ থেকে বিকাশ লাভ করেছে। স্থানিক তথ্যের ব্যবহার ক্রমবর্ধমান মনোযোগ পেয়েছে। সাহিত্যে বর্ণাল বৈশিষ্ট্যগুলির সাথে মিলিত প্রসারিত মোর্ফোলজিকাল কনট্যুর (EMP) ক্রিয়াকলাপগুলির মাধ্যমে প্রাপ্ত স্থানিক বৈশিষ্ট্যগুলি ব্যবহার করে হাইপারস্পেক্ট্রাল চিত্রের শ্রেণিবিন্যাস ব্যবহার করা হয়। হাইপারস্পেকট্রাল চিত্রগুলিকে শ্রেণিবদ্ধ করার জন্য সাহিত্যটি গড় শিফটের ভিত্তিতে প্রান্ত সনাক্তকরণ ব্যবহার করে এবং প্রান্ত সনাক্তকরণ এবং হাইপারস্পেক্ট্রাল চিত্রের শ্রেণিবিন্যাসের সংমিশ্রণ অর্জন করে। তবে এই গবেষণাটি পিক্সেল-স্তরের হাইপারস্পেকট্রাল চিত্রের শ্রেণিবিন্যাস বাস্তবায়ন করে না। সাহিত্য স্থানীয় এবং গ্লোবাল বৈশিষ্ট্যগুলি প্রাপ্ত করতে স্থানীয় বাইনারি মোড (এলবিপি) এবং গ্যাবার ফিল্টার ব্যবহার করে, ফলে হাইপারস্পেকট্রাল চিত্রের শ্রেণিবিন্যাসের জন্য গভীর বন এবং স্থানিক বৈশিষ্ট্যের সংমিশ্রণ অর্জন করে। হাইপারস্পেকট্রাল চিত্রগুলির শ্রেণিবিন্যাস উন্নত করতে এই পদ্ধতিগুলি বিভিন্ন স্থানিক বৈশিষ্ট্যগুলি ব্যবহার করে তবে তারা বিভিন্ন স্থানিক বৈশিষ্ট্যগুলির সংমিশ্রণের জন্য উপযুক্ত নয়। বিভিন্ন স্থানিক বৈশিষ্ট্যগুলির সম্পূর্ণ ব্যবহার এবং বিভিন্ন স্থানিক বৈশিষ্ট্যগুলির মধ্যে পারস্পরিক সুবিধাগুলি উপলব্ধি করা সামগ্রিকভাবে হাইপারস্পেকট্রাল ইমেজের শ্রেণিবিন্যাসের নির্ভুলতা উন্নত করতে সহায়তা করবে। বর্তমান পদ্ধতিগুলি তাদের কাঠামোর দ্বারা সীমাবদ্ধ এবং কার্যকরভাবে এই বৈশিষ্ট্যগুলিকে একত্রিত করতে পারে না।

রিমোট সেন্সিংয়ের ক্ষেত্রে একটি গুরুত্বপূর্ণ গবেষণা সামগ্রী হিসাবে, হাইপারস্পেকট্রাল রিমোট সেন্সিং চিত্রের শ্রেণিবিন্যাসটি তার সুনির্দিষ্ট বর্ণালী তথ্য এবং স্থানিক তথ্য ব্যবহার করে দূরবর্তী সেন্সিং সনাক্তকরণের বিকাশে গুরুত্বপূর্ণ অবদান রেখেছে। হাইপারস্পেকট্রাল ইমেজ শ্রেণিবিন্যাসেরও অনেকগুলি সীমাবদ্ধতা রয়েছে যা মূলত নিম্নলিখিত দিকগুলিতে প্রতিফলিত হয়:

(1) অন্যান্য ইমেজিং সরঞ্জামের সাথে তুলনা করে হাইপারস্পেক্ট্রোমিটারের দাম খুব বেশি।

(২) পিক্সেল শ্রেণিবিন্যাসের বৈশিষ্ট্যের উপর ভিত্তি করে হাইপারস্পেকট্রাল রিমোট সেন্সিং চিত্রগুলি চিহ্নিত করা শক্ত each গবেষকরা প্রতিটি পিক্সেলের সংশ্লিষ্ট অঞ্চলে বৈশিষ্ট্যটির ধরণ নির্ধারণ করতে এবং এটি পিক্সেলগুলিতে চিহ্নিত করতে প্রয়োজন।

(3) হাইপারস্পেকট্রাল রিমোট সেন্সিং চিত্রগুলিতে অত্যধিক রিলন্ডান বর্ণালী তথ্য থাকে contrast বিপরীতে, চিত্রগুলিতে স্থানিক দৃশ্যের অভাবের কারণে অন্তর্ভুক্ত স্থানিক তথ্য অপর্যাপ্ত। অতএব, বিভিন্ন আকারের সাথে বৈশিষ্ট্যগুলির শ্রেণিবিন্যাসের প্রভাবটি আদর্শ নয়।

(৪) ভূ-অঞ্চলে, এক পিক্সেল দ্বারা প্রতিনিধিত্ব করা ব্রড-স্পেকট্রামের বক্ররেখা তথ্যগুলি একাধিক বৈশিষ্ট্যের বৈশিষ্ট্যযুক্ত বর্ণালী তথ্য মিশ্রণের ঘটনাকে প্রবণ করে, যার ফলে সীমানা বিভাগটি ভুল বোঝায়।

  ৪.১ গভীর শিক্ষার উপর ভিত্তি করে অপটিক্যাল রিমোট সেন্সিং চিত্রের অবজেক্ট সনাক্তকরণ পদ্ধতি

রিমোট সেন্সিংয়ের ক্ষেত্রে অন্য একটি গুরুত্বপূর্ণ গবেষণা সামগ্রী হিসাবে, অপটিকাল রিমোট সেন্সিং ইমেজ টার্গেট সনাক্তকরণও গ্রাউন্ড অবজেক্টগুলির শ্রেণিবিন্যাস এবং স্বীকৃতি উপলব্ধি করতে পারে। একই সাথে হাইপারস্পেকট্রাল রিমোট সেন্সিং ইমেজগুলির সাথে তুলনা করলে অপটিকাল রিমোট সেন্সিং চিত্রগুলি পাওয়া সহজ এবং লেবেল করা সহজ easier যখন পিক্সেলগুলিতে নির্ভুলতার প্রয়োজন হয় না, তখন অপটিকাল রিমোট সেন্সিং চিত্রগুলির লক্ষ্য সনাক্তকরণ আরও কার্যকর প্রক্রিয়াজাতকরণ পদ্ধতি।

অপটিকাল রিমোট সেন্সিং ইমেজ টার্গেট রিকগনিশন প্রযুক্তিটি চরিত্রায়ন শেখার এবং সনাক্তকরণে অবিচ্ছিন্ন অগ্রগতি সাধন করেছে বৈশিষ্ট্য নিষ্কাশন মূল হস্তনির্মিত বৈশিষ্ট্য থেকে বৈশিষ্ট্যগুলি নিষ্কাশনের জন্য গভীর সমঝোতা সংক্রান্ত নিউরাল নেটওয়ার্কে রূপান্তরিত হয়, যা নিষ্কাশন দক্ষতার ক্ষেত্রে দীর্ঘমেয়াদী উন্নতি is বেশিরভাগ অ্যালগোরিদম ফ্রেমওয়ার্কগুলি গভীর-শিক্ষার উপর ভিত্তি করে সাধারণ-উদ্দেশ্য বস্তু সনাক্তকরণ আলগোরিদিম ফ্রেমওয়ার্কগুলি হয় এবং এক বা একাধিক দিকের উন্নতি করে নির্দিষ্ট ডেটা সেট করে লক্ষ্য সনাক্তকরণের লক্ষ্য অর্জনের চেষ্টা করে থাকে। সাধারণভাবে, এই অ্যালগোরিদমগুলিকে দুটি বিভাগে ভাগ করা যায় প্রথম প্রকারটি একটি দ্বি-পর্যায় অঞ্চল ভিত্তিক অ্যালগরিদম এবং দ্বিতীয় প্রকারটি একটি শেষ থেকে শেষ অ্যালগরিদম (এক-স্তর)। গভীর শিক্ষার উপর ভিত্তি করে অপটিক্যাল রিমোট সেন্সিং চিত্রগুলির অবজেক্ট সনাক্তকরণ পদ্ধতিগুলি এই traditional গত গভীর শেখার পদ্ধতির উপর ভিত্তি করে।

৪.১.১ অঞ্চলভিত্তিক গভীর শেখার অপটিক্যাল রিমোট সেন্সিং চিত্র লক্ষ্য সনাক্তকরণ পদ্ধতি

অঞ্চলভিত্তিক গভীর শেখার পদ্ধতিটি সনাক্তকরণ সমস্যাটিকে দুটি পর্যায়ে বিভক্ত করে First প্রথমত, প্রার্থী অঞ্চলগুলি (অঞ্চল প্রস্তাবনাগুলি) উত্পন্ন হয় এবং তারপরে প্রার্থী অঞ্চলগুলিকে শ্রেণিবদ্ধ করা হয় (সাধারণত, অবস্থানের পরিশোধন প্রয়োজন) প্রতিনিধি আলগোরিদিম আরসিএনএন [১৩], দ্রুত- আরসিএনএন [14], দ্রুত-আরসিএনএন [15], আর-এফসিএন [16], মাস্ক-আরসিএনএন [17], ইত্যাদি etc. এই ধরণের অ্যালগরিদম উচ্চ নির্ভুলতার সাথে তুলনামূলকভাবে তুলনামূলকভাবে ধীর গতি দ্বারা চিহ্নিত করা হয়।

আদনান এট আল। [32] NWPU ভিএইচআর -10 অপটিক্যাল রিমোট সেন্সিং ডেটা সেটটিতে দুটি অঞ্চল প্রস্তাব পদ্ধতি (সিলেক্টিক সার্চ [33] এবং এজবক্সেস [34]) তুলনা করেছেন। পরীক্ষামূলক ফলাফলগুলি দেখায় যে এজবক্সে নির্বাচনী অনুসন্ধানের তুলনায় উচ্চতর রিক্যাল রেট এবং গণনার সময় কম রয়েছে। ডায়ো এট আল। [35] দ্বি-পর্যায়ের অ্যালগরিদমের অঞ্চল প্রস্তাবনা ধাপে ভিজ্যুয়াল স্যালিয়েন্স প্রয়োগ করেছেন the এটি উইন্ডোগুলির সংখ্যা হ্রাস করে এবং সনাক্তকরণের গতি উন্নত করে। জিৎ এট। [৪০] একই লক্ষ্যবস্তুর আকারের পার্থক্য লক্ষ্য করেছেন এবং বৈশিষ্ট্য নিষ্কাশন পর্যায়ে পিরামিড নেটওয়ার্কটি বহু-স্কেল বৈশিষ্ট্যগুলি নিষ্কাশন করতে ব্যবহার করেছেন The আঞ্চলিক প্রস্তাব নেটওয়ার্কের আউটপুট এবং আউটপুট শেষে মাল্টি-স্কেল ফিউশনটি সঞ্চালিত হয়। লেখক দ্রুত আর-সিএনএন এবং ইওলোভ 3 এর সাথে ডিএলআর মিউনিখ ডেটাসেট সনাক্তকরণের সাথে তুলনা করেছেন এবং পুনর্বিবেচনার হার এবং যথার্থতার জন্য আরও ভাল ফলাফল অর্জন করেছেন। ঝাং এট আল। [৫১] একটি সিন-মাস্ক আর-সিএনএন নেটওয়ার্কের প্রস্তাব দিয়েছিল First প্রথমত, একটি সম্পূর্ণ কনভোলিউশনাল নিউরাল নেটওয়ার্ক (এফসিএন) আসল চিত্রের সিমেটিক সেগমেন্টেশন মানচিত্র আউটপুট করতে ব্যবহৃত হয়। বৈশিষ্ট্য ম্যাপিং, তারপরে মূল চিত্রটির পিক্সেল-স্তরের শ্রেণিবিন্যাস গ্রহণ করতে আপসাম্পলিং স্তরটি ব্যবহার করুন এবং অবশেষে আরও সঠিক লক্ষ্য সনাক্তকরণ অর্জনে সনাক্তকরণ অ্যালগরিদমকে সহায়তা করতে পিক্সেল-স্তরের শ্রেণিবিন্যাস ব্যবহার করুন। লেখক দ্রুত-আরসিএনএন অ্যালগরিদমকে তিনটি ভিন্ন ভিন্ন জাহাজের স্বীকৃতি লক্ষ্য করে তুলনা করেছেন এবং নির্দিষ্ট নির্ভুলতার সুবিধা পান।

৪.১.২ শেষ থেকে শেষ গভীর শেখার অপটিকাল রিমোট সেন্সিং চিত্র লক্ষ্য সনাক্তকরণ পদ্ধতি

এটি একটি আরও সর্বজনীন পদ্ধতি যা অঞ্চলের প্রস্তাবের পর্যায়ে প্রয়োজন হয় না এবং সরাসরি শ্রেণীর সম্ভাবনা এবং লক্ষ্যের অবস্থান স্থানাঙ্ক তৈরি করে Its এর প্রতিনিধি আলগোরিদিমগুলি হ'ল YOLOv1 [18], YOLOv2 [19], YOLOv3 [20] , এসএসডি [২১], ইত্যাদি এই ধরণের অ্যালগরিদম উচ্চ গতির দ্বারা চিহ্নিত করা হয় তবে তুলনামূলকভাবে কম নির্ভুলতা।

ফু এট। [57 57] প্রসঙ্গ উপলব্ধির উপর ভিত্তি করে গভীর শেখার ভিত্তিক রিমোট সেন্সিং ইমেজ টার্গেট শনাক্তকরণ অ্যালগরিদম প্রস্তাব করেছে, যা উপগ্রহের প্রদক্ষিণের রিয়েল-টাইম সনাক্তকরণের কাজে ব্যবহার করা যেতে পারে। কারণ এখানে লক্ষ্য পিক্সেল কম রয়েছে এবং রিমোট সেন্সিং ইমেজগুলির পারফরম্যান্স দুর্বল, প্রসঙ্গে তথ্যের প্রভাব আরও অধ্যয়ন করতে লেখক প্রসঙ্গ তথ্য এবং এটি যে পটভূমির শব্দ নিয়ে আসে তাতে ভারসাম্য বজায় রাখার জন্য একটি ভারসাম্য ফ্যাক্টর যুক্ত করে। দ্রুত সনাক্তকরণের ভিত্তিতে উচ্চতর সনাক্তকরণের নির্ভুলতা অর্জন করা হয়। ঝাও এট আল। [৫৯] অপটিক্যাল রিমোট সেন্সিং ইমেজগুলিতে অবজেক্ট সনাক্তকরণের জন্য একটি বহু-স্তরের ব্লক-স্তরের পূর্ণ সমঝোতা সংক্রান্ত নিউরাল নেটওয়ার্ক (এমএফ-সিএনএন) প্রস্তাব করেছিলেন, যা বড় দৃশ্যের চিত্রগুলির দ্রুত সনাক্তকরণের সমস্যাটিকে একটি নির্দিষ্ট পরিমাণে সমাধান করেছিল। এনডাব্লুপিউ ভিএইচআর -10 ডেটা একীকরণ এবং দুটি বিমান লক্ষ্যবস্তু ডেটাসেটের গতি এবং যথার্থতার জন্য লেখক তার অ্যালগরিদমের ভাল পারফরম্যান্স যাচাই করেছেন। একটি এট। [১] গভীর প্রতিরোধের ভিত্তিতে সিএনএন লক্ষ্য সনাক্তকরণ অ্যালগরিদম প্রস্তাব করেছিলেন এবং স্থানান্তর শিক্ষার সাথে মিলিত হন। অ্যালগরিদম দুটি অংশ নিয়ে গঠিত।প্রথম অংশটি কনভ্যুসিভাল নিউরাল নেটওয়ার্ক ট্রান্সফার লার্নিং।এই অংশটি অপটিকাল রিমোট সেন্সিং ইমেজ স্যাম্পলগুলির সাথে লেবেলিংয়ের সমস্যার কারণে বেশি পরিমাণে সমস্যা সমাধান করার প্রস্তাব দেওয়া হয়। দ্বিতীয় অংশটি অপটিকাল রিমোট সেন্সিং চিত্রগুলিতে সঠিক টার্গেট সনাক্তকরণের জন্য গভীর রিগ্রেশন কনভোলশনাল নিউরাল নেটওয়ার্কের উপর ভিত্তি করে একটি উন্নত YOLOv3 কাঠামো। পরীক্ষাগুলি দেখায় যে অ্যালগরিদম কার্যকরভাবে দূরবর্তী সেন্সিং ইমেজ লক্ষ্য সনাক্তকরণের গতি এবং যথার্থতাকে উন্নত করে।

অপটিক্যাল রিমোট সেন্সিং ইমেজগুলিতে অবজেক্ট সনাক্তকরণ কিছু কার্যক্রমে হাইপারস্পেকট্রাল রিমোট সেন্সিং চিত্র শ্রেণিবদ্ধকরণের চেয়ে ভাল ফলাফল অর্জন করতে পারে। তবে, নিজেই অপটিকাল রিমোট সেন্সিং ইমেজ টার্গেট সনাক্তকরণে এখনও অনেকগুলি ত্রুটি রয়েছে, যা ভবিষ্যতে আরও অধ্যয়ন করা দরকার। এই ঘাটতিগুলির মধ্যে নিম্নলিখিত বিষয়গুলি অন্তর্ভুক্ত রয়েছে।

(1) অপটিক্যাল রিমোট সেন্সিং চিত্রের রেজোলিউশনটি উচ্চতর এবং এতে আরও স্থানিক দৃশ্য রয়েছে। সম্পূর্ণ অপটিকাল রিমোট সেন্সিং চিত্রের তুলনায় চিত্রটিতে গ্রাউন্ড অবজেক্টগুলি খুব ছোট দেখাচ্ছে। কনভোলশনাল নিউরাল নেটওয়ার্কগুলির পরে খুব ছোট লক্ষ্যমাত্রাগুলি তথ্য হারাতে প্রবণ হয়।

(২) অপটিকাল রিমোট সেন্সিং ইমেজের জটিল স্থানিক দৃশ্য অতিরিক্ত ব্যাকগ্রাউন্ড শব্দের প্রবর্তন করতে পারে the লক্ষ্য শ্রেণীর ক্ষেত্রে যা সনাক্ত করা দরকার বাদে অন্যান্য বৈশিষ্ট্যগুলি ব্যাকগ্রাউন্ড হিসাবে বিবেচনা করা হয়। অতিরিক্ত পটভূমি তথ্য সহজেই সাধারণ সনাক্তকরণে হস্তক্ষেপ করতে পারে।

গভীর বনভিত্তিক গভীর শেখার পদ্ধতির উপর ভিত্তি করে হাইপারস্পেকট্রাল রিমোট সেন্সিং চিত্রের শ্রেণিবিন্যাসের জন্য স্থানিক বৈশিষ্ট্যগুলির স্বল্প ব্যবহারের সমস্যাটি লক্ষ্য করে এই বিষয়টি হাইপারস্পেকট্রাল রিমোট সেন্সিং চিত্রগুলির শ্রেণিবিন্যাসের জন্য বহু-বৈশিষ্ট্য ফিউশন ভিত্তিক একটি গভীর বন অ্যালগরিদম কাঠামোর প্রস্তাব করেছে। একাধিক বিভিন্ন স্থানিক বৈশিষ্ট্য ব্যবহার করে হাইপারস্পেকট্রাল রিমোট সেন্সিং চিত্রগুলির স্থানিক বৈশিষ্ট্যগুলির ব্যবহারের উন্নতি হয়; উন্নত গভীর বন কাঠামো গ্রহণ করে একাধিক বিভিন্ন স্থানিক বৈশিষ্ট্য কার্যকরভাবে নিষ্কাশিত এবং ফিউজড করা হয় এবং বিভিন্ন বৈশিষ্ট্যের বৈশিষ্ট্যগুলি কার্যকরভাবে উন্নত করতে সংযুক্ত করা হয় হাইপারস্পেকট্রাল সামগ্রিক শ্রেণিবদ্ধকরণ নির্ভুলতা। রিমোট সেন্সিং ডিটেকশন প্রযুক্তিতে হাইপারস্পেকট্রাল রিমোট সেন্সিং ইমেজ শ্রেণিবদ্ধকরণের ত্রুটিগুলি পূরণ করার জন্য, অপটিকাল রিমোট সেন্সিং চিত্রগুলিতে অবজেক্ট সনাক্তকরণের জন্য একটি গভীর শিখন-ভিত্তিক পদ্ধতি ব্যবহৃত হয়। অপ্টিকাল রিমোট সেন্সিং ইমেজ টার্গেট সনাক্তকরণে ছোট লক্ষ্যগুলি এবং জটিল ব্যাকগ্রাউন্ড হস্তক্ষেপ নিরীক্ষণের অসুবিধা লক্ষ্য করে একাধিক বৈশিষ্ট্য-ভিত্তিক গভীর লার্নিং টার্গেট সনাক্তকরণ অ্যালগরিদম একই সাথে ছোট লক্ষ্যগুলি এবং জটিল ব্যাকগ্রাউন্ডের প্রভাবগুলি সমাধান করার প্রস্তাব দেওয়া হয়েছিল।