২. গবেষণার উদ্দেশ্য এবং তাৎপর্য

রিমোট সেন্সিং 1960 এর দশকে উদ্ভূত একটি বিস্তৃত প্রযুক্তি যা দীর্ঘ দূরত্ব থেকে 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 উদ্ভূত হয়েছে। 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, উচ্চ স্থানিক এবং বর্ণালী রেজোলিউশন সহ পৃথিবী পর্যবেক্ষণ উপগ্রহ এবং সংক্ষিপ্ত পুনর্বিবেচনার সময়সীমা অব্যাহত থাকবে ভবিষ্যতে উপলভ্য স্যাটেলাইট রিমোট সেন্সিং চিত্রের ডেটাও তাত্ক্ষণিকভাবে বৃদ্ধি পাবে [২]। দ্রুত বিকাশ দূরবর্তী সংবেদনশীল চিত্রগুলিতে মেশিন দৃষ্টি প্রয়োগের জন্য প্রচুর উচ্চ মানের সংস্থান সরবরাহ করেছে। রিমোট সেন্সিং প্রযুক্তির পরিবেশ সনাক্তকরণ এবং অন্যান্য ক্ষেত্রে যেমন বিস্তৃত প্রয়োগ, যেমন সনাক্তকরণ, ভূতাত্ত্বিক বিপদ সনাক্তকরণ, ভূমি ব্যবহার এবং জমির আবরণ (এলএলসি) ম্যাপিং, ভৌগলিক তথ্য ব্যবস্থা ((জিআইএস) আপডেট, যথার্থ কৃষি, নগর পরিকল্পনা ইত্যাদি) রয়েছে applications । [3]।

হাইপারস্পেকট্রাল রিমোট সেন্সিং ইমেজ, একটি উচ্চ বর্ণালী রেজোলিউশনে রিমোট সেন্সিং চিত্রের বিকাশের পণ্য হিসাবে, "মানচিত্র এবং বর্ণালী একীকরণ" এর বৈশিষ্ট্য রয়েছে। দীর্ঘ পরিসরের স্তরগুলির [4-6] এর স্থানগত তথ্য রেকর্ড করার সময় এটি সমৃদ্ধ বর্ণালী তথ্য রেকর্ড করে] হাইপারস্পেকট্রাল ইমেজের একক পিক্সেলের বৈশিষ্ট্য সম্পর্কিত তথ্য রয়েছে যা এটি পার্শ্ববর্তী পিক্সেল থেকে পৃথক করতে পারে। অতএব, হাইপারস্পেকট্রাল রিমোট সেন্সিং চিত্রগুলির শ্রেণিবিন্যাসের জন্য গবেষণা হটস্পটগুলি উত্পন্ন হয়েছে [7-8]। গভীর শিক্ষার দ্রুত বিকাশের সাথে সাথে বর্তমানে হাইপারস্পেকট্রাল রিমোট সেন্সিং চিত্রগুলির গভীর শিক্ষার শ্রেণিবিন্যাসের উপর ভিত্তি করে মূলধারায় পরিণত হয়েছে [9-10]। হাইপারস্পেকট্রাল ইমেজগুলির বর্ণালী তথ্য প্রাপ্তি সহজ হওয়ার কারণে, প্রারম্ভিক হাইপারস্পেকট্রাল রিমোট সেন্সিং চিত্রের শ্রেণিবিন্যাস কেবল বর্ণালী সংক্রান্ত তথ্য বের করে। হাইপারস্পেকট্রাল রিমোট সেন্সিং ইমেজগুলিতে স্থানিক তথ্য একাডেমিক সম্প্রদায় দ্বারা শ্রেণিবিন্যাসের গুরুত্ব স্বীকৃতি পাওয়ার পরে, হাইপারস্পেকট্রাল রিমোট সেন্সিং চিত্রগুলির শ্রেণিবিন্যাস বর্ণালী তথ্য এবং স্থানিক তথ্য ব্যবহার করে এবং স্থানিক তথ্য এবং বর্ণালী তথ্যের সংমিশ্রণ সহ ধীরে ধীরে শ্রেণিবদ্ধকরণ পদ্ধতিতে বিকশিত হয়। তবে স্থায়ী তথ্যের জন্য এই পদ্ধতিগুলির ব্যবহার কেবলমাত্র নিষ্কাশনের জন্য স্নায়ু নেটওয়ার্কের ব্যবহারের মধ্যেই সীমাবদ্ধ, হাইপারস্পেক্ট্রাল চিত্রগুলির বৈশিষ্ট্য তথ্য পুরোপুরি খনিত হয় না [১১-১৩]। সুতরাং, হাইপারস্পেকট্রাল রিমোট সেন্সিং ইমেজগুলির শ্রেণিবিন্যাস, একাধিক বিভিন্ন বৈশিষ্ট্য নিষ্কাশন পদ্ধতি ব্যবহার করে, হাইপারস্পেকট্রাল রিমোট সেন্সিং ইমেজের স্থানিক তথ্য পূর্ণরূপে ব্যবহার এবং এর জন্য গভীর শিক্ষণ পদ্ধতি ব্যবহার করে এই বিষয়টি একাধিক বৈশিষ্ট্য ফিউশন ভিত্তিক একটি গভীর শিক্ষণ পদ্ধতির প্রস্তাব দেয় গভীর ফিউশন, এর ফলে হাইপারস্পেকট্রাল রিমোট সেন্সিং চিত্রগুলির শ্রেণিবিন্যাস উন্নত করে।

হাইপারস্পেকট্রাল রিমোট সেন্সিং ইমেজগুলির শ্রেণিবদ্ধকরণ স্থল বৈশিষ্ট্যের প্রকারগুলি কার্যকরভাবে সনাক্ত করতে পারে, তবে এটি যথেষ্ট বড় নয় এমন বৈশিষ্ট্যগুলির জন্য এবং বৈশিষ্ট্যের প্রান্ত অঞ্চলগুলির জন্য এটির ভাল শ্রেণিবদ্ধকরণের প্রভাব নেই। অপটিকাল রিমোট সেন্সিং ইমেজ টার্গেট সনাক্তকরণ সাম্প্রতিক বছরগুলিতে রিমোট সেন্সিং ইমেজ প্রসেসিংয়ের আরেকটি বিষয়। জনপ্রিয় গবেষণা, কেবলমাত্র বৈশিষ্ট্যগুলির প্রকারগুলি সনাক্ত করতে পারে না, তবে সঠিক সনাক্তকরণ অর্জনের জন্য স্বীকৃত বৈশিষ্ট্যগুলিও সনাক্ত করতে পারে [14]। হাইপারস্পেকট্রাল রিমোট সেন্সিং ইমেজগুলির সাথে তুলনা করলে অপটিকাল রিমোট সেন্সিং চিত্রগুলিতে আরও প্রচুর স্থানিক তথ্য থাকে, তাই তাদের একটি ছোট অঞ্চল থাকে। গ্রাউন্ড বৈশিষ্ট্যগুলির আরও ভাল সনাক্তকরণের প্রভাব রয়েছে [15-15]। বর্তমানে, মূলধারার অপটিকাল রিমোট সেন্সিং চিত্র লক্ষ্য সনাক্তকরণ অ্যালগরিদমগুলি গভীর শিক্ষার উপর ভিত্তি করে। তাদের মধ্যে অনেকে ছোট লক্ষ্যগুলির সনাক্তকরণের প্রভাব উন্নত করতে বহু-স্কেল তথ্য ব্যবহার করে। সনাক্তকরণের নির্ভুলতার একটি নির্দিষ্ট প্রচার প্রভাব রয়েছে [19-22]। ছোট লক্ষ্যবস্তুগুলির সনাক্তকরণের জটিল সমস্যা ছাড়াও, অপটিক্যাল রিমোট সেন্সিং ইমেজ টার্গেট সনাক্তকরণ জটিল সনাক্তকরণ ব্যাকগ্রাউন্ড এবং কনভোলশনাল নিউরাল নেটওয়ার্কগুলির দ্বারা ঝাপসা বৈশিষ্ট্যযুক্ত মানচিত্রের আউটপুট হিসাবেও সমস্যার মুখোমুখি। একইসাথে একাধিক সমস্যা সমাধানের জন্য পদ্ধতিটি আদর্শ নয়। অতএব, একাধিক বৈশিষ্ট্যের ধারণার সাথে, এই বিষয়টি শিখার পদ্ধতির গভীরতার উপর ভিত্তি করে লক্ষ্য সনাক্তকরণ অ্যালগরিদমের সংমিশ্রণ করবে, আমরা একটি উপযুক্ত লক্ষ্য সনাক্তকরণের মুখটি খুঁজতে সমস্যাটি সমাধান করতে পারি এবং চিত্রটির উন্নতি করতে সমস্যার বহুগুণ একত্রিত করার বৈশিষ্ট্যযুক্ত অপটিক্যাল রিমোট সংবেদনের মুখ সনাক্তকারী অবজেক্টটির।

৩. দেশে ও বিদেশে গবেষণার অবস্থা ও অগ্রগতি

হাইপারস্পেকট্রাল রিমোট সেন্সিং ইমেজ শ্রেণীবদ্ধকরণ এবং অপটিকাল রিমোট সেন্সিং ইমেজ টার্গেট সনাক্তকরণ দূরবর্তী সেন্সিং প্রযুক্তির বিকাশে দুটি গুরুত্বপূর্ণ গবেষণা সামগ্রী। দুজনের মধ্যে সম্পর্ক বিভক্ত নয়, এবং উভয়ই স্থলিক বস্তু সনাক্তকরণে তাদের নিজস্ব সুবিধাগুলি ব্যবহারের জন্য নিবেদিত। এটি জমি এবং সম্পদ জরিপ এবং ম্যাপিং [23], রিসোর্স জরিপ [24], পরিবেশ সনাক্তকরণ [25], শস্য উত্পাদনের প্রাক্কলন [২ 26] এবং দুর্যোগ নির্ণয় [২।] ক্ষেত্রে ব্যবহৃত হয়। এই বিষয়টি দেশে এবং বিদেশে বর্তমান গবেষণার স্থিতি বিশ্লেষণ করে এবং হাইপারস্পেকট্রাল রিমোট সেন্সিং ইমেজ শ্রেণিবদ্ধকরণ এবং অপটিক্যাল রিমোট সেন্সিং চিত্র লক্ষ্য সনাক্তকরণ এবং দুটি ক্ষেত্রে গভীর শিক্ষার সাথে মিলিত পদ্ধতিগুলির সমন্বয় এবং তাদের বিদ্যমান সংক্ষিপ্তসারগুলিতে একাধিক বৈশিষ্ট্য গভীর শিক্ষণ পদ্ধতিগুলির সমন্বয়ে এবং তাদের বিদ্যমান সংক্ষিপ্তসারকে কেন্দ্র করে সমস্যা এবং উন্নয়নের প্রবণতা।

৩.১ মাল্টি-ফিচার রিমোট সেন্সিং ইমেজ প্রসেসিং পদ্ধতি

রিমোট সেন্সিং ইমেজ প্রসেসিংয়ের ক্ষেত্রে নমুনা বৈশিষ্ট্যগুলির ব্যবহারের উন্নতির জন্য কার্যকর পদ্ধতি হিসাবে একাধিক বৈশিষ্ট্য প্রয়োগ করা হয়েছে। শু এট আল। [২৮] বর্ণাল বৈশিষ্ট্যগুলিতে অ্যাট্রিবিউট বৈশিষ্ট্য পদ্ধতিতে এক্সট্রাক্ট করা হাইপারস্পেকট্রাল রিমোট সেন্সিং চিত্রগুলির স্থানিক বৈশিষ্ট্যগুলি ভারযুক্ত এবং যুক্ত করেছে। বৈশিষ্ট্য ফিউশন উপলব্ধি করুন এবং শ্রেণিবিন্যাসের জন্য সমর্থন ভেক্টর মেশিন ব্যবহার করুন। কিন ইত্যাদি। [২৯] বহু-বৈশিষ্ট্যগত সিদ্ধান্তের স্তর-ভিত্তিক ফিউশন, বোএফ-এসআইএফ বৈশিষ্ট্যগুলি উন্নত করা, এসসি আকারের বৈশিষ্ট্যগুলি উন্নত করা, এবং হু আক্রমণকারী ম্যাট্রিক্স বৈশিষ্ট্যগুলির উপর ভিত্তি করে একটি বহু-উদ্দেশ্যমূলক শ্রেণিবিন্যাস এবং স্বীকৃতি অ্যালগরিদম প্রস্তাব করেছে এবং সিদ্ধান্ত-স্তরের ফিউশন এবং শ্রেণিবিন্যাসের জন্য এসভিএম শ্রেণিবদ্ধ ব্যবহার করে । কিউই ইত্যাদি। [30] বুলিয়ান গ্রাফের ভিজ্যুয়াল বৈশিষ্ট্য প্রকাশের ভিত্তিতে একটি একক ফ্রেমের চিত্র ইনফ্রারেড ছোট টার্গেট সনাক্তকরণ পদ্ধতি প্রস্তাবিত proposed রঙ এবং দিকনির্দেশ বৈশিষ্ট্য চ্যানেল বুলিয়ান গ্রাফ ব্যবহার করে ওজনযুক্ত ফিউশন পদ্ধতি লক্ষ্য বৃদ্ধি এবং পটভূমি দমন অর্জন করে, যার ফলে লক্ষ্য সনাক্তকরণ অর্জন করে।

যদিও একাধিক বৈশিষ্ট্যগুলির ব্যবহার কার্যকরভাবে দূরবর্তী সেন্সিং চিত্রগুলির প্রসেসিংয়ের প্রভাব উন্নত করে, বর্তমান বহু-বৈশিষ্ট্য ভিত্তিক প্রসেসিং পদ্ধতিগুলি বহিরাগত রোগীদের বিবরণ অপারেটরগুলির উপর নির্ভর করে traditionalতিহ্যবাহী নিষ্কাশন পদ্ধতি ব্যবহার করে, যেমন এইচওজি, এলবিপি, এসআইএফটি ইত্যাদি বৈশিষ্ট্য নিষ্কাশন প্রভাবগুলি সীমাবদ্ধ। একাধিক বৈশিষ্ট্য আহরণের পরে, প্রস্তাবিত পদ্ধতিটি সরাসরি ফিউশন করে, বা ভবিষ্যদ্বাণী করার জন্য একটি সাধারণ শ্রেণিবদ্ধ যেমন SVM ব্যবহার করে, যা সম্পূর্ণরূপে শ্রেণিবদ্ধকরণের মডেলটির ভূমিকা পালন করে না।

৩.২ হাইপারস্পেকট্রাল রিমোট সেন্সিং চিত্রের শ্রেণিবদ্ধকরণ পদ্ধতি।

৩.২.১ গভীর শিক্ষার উপর ভিত্তি করে বর্ণালী চিত্রের শ্রেণিবদ্ধকরণ পদ্ধতি।

ডিপ লার্নিং (ডিএল) মেশিন লার্নিংয়ের অন্যতম একটি প্রযুক্তি এবং গবেষণা ক্ষেত্র। শ্রেণিবদ্ধ কাঠামোর সাথে কৃত্রিম নিউরাল নেটওয়ার্ক (আর্টিফিটিয়াল নিউরাল নেটওয়ার্কস, এএনএন) স্থাপনের মাধ্যমে, কম্পিউটারে সিস্টেমগুলিতে কৃত্রিম বুদ্ধি প্রয়োগ করা হয়। যেহেতু আঞ্চলিক এএনএন তথ্য স্তর থেকে স্তরকে ফিল্টার করে ফিল্টার করা যায়, তাই গভীর শিক্ষার মধ্যে উপস্থাপনা শেখার সক্ষমতা থাকে, যা শেষ থেকে শেষ পর্যবেক্ষণে শিক্ষণ এবং আনসারভিজড লার্নিং অর্জন করতে পারে। এই সুবিধাগুলি থেকে উপকৃত হয়ে হাইপারস্পেকট্রাল ইমেজ শ্রেণিবদ্ধকরণের ক্ষেত্রে গভীর শিক্ষাগুলি ব্যাপকভাবে ব্যবহৃত হয়েছে। এবং ভাল ফলাফল অর্জন। এর মধ্যে কনভলিউশন নিউরাল নেটওয়ার্ক (সিএনএন), স্ট্যাকড অটো-এনকোডার (এসএই) এবং ডিপ বিলিফ নেটওয়ার্কস (ডিবিএন) স্পেকট্রাল রিমোট সেন্সিং চিত্রের শ্রেণিবিন্যাস গুরুত্বপূর্ণ করেছে

[৩১] বৈশিষ্ট্য নিষ্কাশন এবং শ্রেণিবিন্যাসের জন্য একটি কনভোলসিয়াল স্তর এবং একটি সম্পূর্ণ সংযোগ ব্যবহার করে। সাহিত্যে একটি ইনপুট স্তর, একটি কনভোলশিয়াল স্তর, সর্বাধিক পুলিং স্তর, একটি সম্পূর্ণ সংযুক্ত উপাদান এবং বৈশিষ্ট্য নিষ্কাশনের জন্য একটি আউটপুট স্তর সহ পাঁচটি স্তর ব্যবহৃত হয়। এবং শ্রেণিবিন্যাস। নথি [৩২] আবিষ্কার করেছে যে সিএনএন দ্বারা উত্তোলিত গভীর বৈশিষ্ট্যগুলিতে তথ্য অপ্রয়োজনীয়তা রয়েছে। সুতরাং সিএনএন বৈশিষ্ট্যগুলি নিষ্কাশনের পরে, এটি শ্রেণিবিন্যাসের জন্য স্পার্স এফেক্ট সহ একটি শ্রেণিবদ্ধকরণ কাঠামো ব্যবহার করে, যা তথ্য অপ্রয়োজনীয়তা হ্রাস করে Document নথি [৩৩] শ্রেণিবিন্যাসের জন্য স্থানিক-বর্ণালী সংমিশ্রণ তথ্যগুলি বের করার পরে বর্ণাল তথ্য নিষ্কাশন এবং শ্রেণিবিন্যাস এবং স্থানিক তথ্য নিষ্কাশন এবং শ্রেণিবিন্যাস পৃথকভাবে উপলব্ধি করা হয় comparison স্থানিক-বর্ণালী তথ্য সংমিশ্রণের কার্যকারিতা তুলনা করে নিশ্চিত করা হয়। [34] SAE এর উন্নত সংস্করণ ব্যবহার করে ( (গোলমাল হ্রাস স্বয়ংক্রিয়কোডার) বর্ণালী বৈশিষ্ট্যগুলি এক্সট্রাক্ট করে বর্ণালি তথ্যগুলিকে শ্রেণিবদ্ধ করে এবং তারপরে বর্ণালী বৈশিষ্ট্যগুলির সাথে স্থানিক অবস্থান সম্পর্কের মধ্যে সাদৃশ্য ব্যবহার করে এবং মূল চিত্রটি ভোট দেয় এবং ভোটের ফলাফল অনুযায়ী চূড়ান্ত ফলাফল হিসাবে সর্বাধিক ভোটের সাথে বিভাগটি নির্বাচন করে ফলাফল। [35] স্থানিক তথ্যযুক্ত ত্রিমাত্রিক নমুনা ব্লকগুলি পাওয়ার পরে বৈশিষ্ট্য নিষ্কাশন এবং শ্রেণিবিন্যাসের জন্য DBN ব্যবহার করেছে।

গভীর শিক্ষার প্রবর্তন হাইপারস্পেকট্রাল ইমেজ শ্রেণিবিন্যাসের বিকাশের উন্নতি করেছে hyp হাইপারস্পেকট্রাল ইমেজ শ্রেণিবদ্ধকরণের traditionalতিহ্যগত পদ্ধতির সাথে তুলনা করে গভীর শিক্ষাগুলি ম্যানুয়ালি বৈশিষ্ট্যগুলি বেছে নেওয়ার পদক্ষেপটি প্রতিস্থাপন করে এবং স্বয়ংক্রিয়ভাবে গভীরতর এবং আরও বিমূর্ত বৈশিষ্ট্য নিষ্কাশন সম্পাদন করে, কার্যকরভাবে শ্রেণিবিন্যাসের নির্ভুলতা উন্নত করে তবে হাইপারস্পেকট্রাল রিমোট সেন্সিং ইমেজগুলির শ্রেণিবিন্যাসে গভীর শেখার এখনও অনেক ত্রুটি রয়েছে উদাহরণস্বরূপ, গভীর শিক্ষার প্রশিক্ষণের জন্য প্রচুর পরিমাণে লেবেলযুক্ত নমুনা ডেটার প্রয়োজন হয় এবং প্রশিক্ষণের নমুনাগুলি অপর্যাপ্ত থাকাকালীন ভাল বৈশিষ্ট্যগুলি বের করা কঠিন difficult ক্রমাগত পিছনে বংশবিস্তারের প্রয়োজনের কারণে স্বল্প পরিমাণে নিউরনের ওজন সামঞ্জস্য করুন এবং পুরো নেটওয়ার্কের প্রশিক্ষণের সময় দীর্ঘ And এবং গভীর নিউরাল নেটওয়ার্কগুলিতে প্রচুর পরিমাণে হাইপারপ্যারামিটার থাকে এবং পরামিতিগুলির ম্যানুয়াল সামঞ্জস্য করতে সময় এবং প্রচেষ্টা লাগে।

৩.২.২ ডিপ ফরেস্টের উপর ভিত্তি করে হাইপারস্পেকট্রাল ইমেজ শ্রেণিবদ্ধকরণ পদ্ধতি

ডিপ ফরেস্ট একটি গভীর শিক্ষার মডেল যা ঝো এট আল দ্বারা প্রস্তাবিত গভীর নিউরাল নেটওয়ার্ক থেকে আলাদা different [৩]] এটি এলোমেলো বন এবং সম্পূর্ণরূপে এলোমেলো বনকে মৌলিক একক হিসাবে গঠিত। এলোমেলো বন এবং সম্পূর্ণরূপে এলোমেলো বন সিদ্ধান্তের গাছের সমন্বয়ে গঠিত। বনগুলি সিদ্ধান্ত গাছের সুবিধাগুলি উত্তরাধিকার সূত্রে পায় এবং নিউরাল নেটওয়ার্কগুলির তুলনায় কম হাইপারপ্যারামিটার থাকে Deep গভীর বন অরণ্য বর্ধনের মূল্যায়ন করতে ক্রস-বৈধতা ব্যবহার করেগ ভীরতা, সর্বোত্তম ফলাফল অর্জন করলে নেটওয়ার্কটি বৃদ্ধি পেতে বন্ধ করবে, সুতরাং এটি অপ্রতুল প্রশিক্ষণের নমুনাগুলি সহ ছোট ডেটা সেট বা ডেটা সেটগুলির জন্য ভাল পারফরম্যান্স পেয়েছে these এই সুবিধাগুলির জন্য ধন্যবাদ, হাইপারস্পেকট্রাল রিমোট সেন্সিং ইমেজ শ্রেণিবদ্ধকরণের ক্ষেত্রে গভীর বন প্রাপ্ত হয়েছে। প্রাথমিক আবেদন।

রেফারেন্স [৩ers] হাইপারস্পেকট্রাল ইমেজ শ্রেণিবদ্ধকরণের জন্য একটি ঘন সংযুক্ত গভীর র্যান্ডম বন কাঠামোর প্রস্তাব দেয়।সাহিত্যে গভীর হাইপারস্পেকট্রাল চিত্রগুলির বৈশিষ্ট্য নিষ্কাশন করার জন্য একটি গভীর মাল্টি-গ্রানুলারিটি ক্যাসকেড ফরেস্ট (ডিজিফোরেস্ট) প্রস্তাব করা হয়েছিল। বৈশিষ্ট্য নিষ্কাশন কাঠামোর পরে, তথ্য অপ্রয়োজনীয়তা হ্রাস করার জন্য একটি পুলিং স্তর যুক্ত করা হয় এবং হাইপারস্পেকট্রাল চিত্রের শ্রেণিবিন্যাসে ভাল ফলাফল পাওয়া যায়। যদিও ডিজিফোরেস্ট মূল গভীর বনকে উন্নত করেছে, এবং এইচএসআই শ্রেণিবিন্যাসের মূল গভীর অরণ্যের জন্য তৈরি করেছে অপর্যাপ্ত, এবং একটি ভাল উন্নতি প্রভাব অর্জন করেছে However তবে, ডিজিফোরেস্টের হাইপারস্পেকট্রাল রিমোট সেন্সিং ডেটার স্থানিক বৈশিষ্ট্যগুলির উচ্চ ব্যবহার নেই।

হাইপারস্পেকট্রাল রিমোট সেন্সিং ইমেজগুলির শ্রেণিবিন্যাস প্রথম থেকেই কেবল ব্যান্ড তথ্য ব্যবহার করে এবং ধীরে ধীরে বর্ণালি এবং স্থানিক তথ্যের সংমিশ্রণে বিকাশ লাভ করে ati স্থানিক তথ্যের ব্যবহার আরও বেশি মনোযোগ পেয়েছে Re রেফারেন্স [৩৮] বর্ধিত রূপচর্চা সংশ্লেষ (ইএমপি) ব্যবহার করে হাইপারস্পেকট্রাল ইমেজ শ্রেণিবদ্ধকরণ বর্ণাল বৈশিষ্ট্যগুলির সাথে অপারেশন দ্বারা প্রাপ্ত স্থানিক বৈশিষ্ট্যগুলির সংমিশ্রণ দ্বারা সঞ্চালিত হয়। সাহিত্য [39] হাইপারস্পেক্ট্রাল চিত্রের শ্রেণিবিন্যাস সম্পাদন করতে গড় শিফটের ভিত্তিতে প্রান্ত সনাক্তকরণ ব্যবহার করে, যা প্রান্ত সনাক্তকরণ এবং হাইপারস্পেক্ট্রাল চিত্রের শ্রেণিবিন্যাসের সংমিশ্রণটি উপলব্ধি করে তবে এই গবেষণাটি অর্জন করে না does পিক্সেল-স্তরের হাইপারস্পেকট্রাল চিত্রের শ্রেণিবদ্ধকরণ: সাহিত্য [40] স্থানীয় এবং বৈশ্বিক বৈশিষ্ট্যগুলি প্রাপ্ত করতে স্থানীয় বাইনারি মোড (এলবিপি) এবং গ্যাবার ফিল্টার ব্যবহার করে, ফলে হাইপারস্পেক্ট্রাল চিত্রের শ্রেণিবিন্যাসের জন্য গভীর বন এবং স্থানিক বৈশিষ্ট্যগুলির সংমিশ্রণ অর্জন করে। হাইপারস্পেকট্রাল চিত্রগুলির শ্রেণিবিন্যাসের প্রভাবটি বিভিন্ন স্থানিক বৈশিষ্ট্যগুলি ব্যবহার করে উন্নত করা হয়েছে তবে তাদের বিভিন্ন স্থানিক বৈশিষ্ট্যগুলির সংমিশ্রণটি সঠিক নয় each একে অপরের জন্য তৈরি করার জন্য বিভিন্ন স্থানিক বৈশিষ্ট্যের পারস্পরিক সুবিধা অর্জনের জন্য বিভিন্ন স্থানিক বৈশিষ্ট্যগুলির পূর্ণ ব্যবহার করুন There হাইপারস্পেকট্রাল চিত্রগুলির সামগ্রিক শ্রেণিবিন্যাসের নির্ভুলতার উন্নতি করতে সহায়তা করে Current বর্তমান পদ্ধতিগুলি তার সিদ্ধান্তে সাপেক্ষে বিধিনিষেধ এই বৈশিষ্ট্যগুলির ভাল কার্যকর সমন্বয় হতে পারে না।

রিমোট সেন্সিংয়ের ক্ষেত্রে গুরুত্বপূর্ণ গবেষণা সামগ্রী হিসাবে, হাইপারস্পেকট্রাল রিমোট সেন্সিং ইমেজ শ্রেণিবদ্ধকরণ তার সুনির্দিষ্ট বর্ণালী তথ্য এবং স্থানিক তথ্য ব্যবহার করে রিমোট সেন্সিং সনাক্তকরণের বিকাশে গুরুত্বপূর্ণ অবদান রেখেছে।তবে হাইপারস্পেক্ট্রাল চিত্রের শ্রেণিবিন্যাসেও অনেকগুলি সীমাবদ্ধতা রয়েছে যা মূলত নিম্নলিখিত দিকগুলিতে প্রতিফলিত হয় এলাকাগুলি:

1) ছোট লক্ষ্যগুলি হাইপারস্পেকট্রাল রিমোট সেন্সিং চিত্রের শ্রেণিবিন্যাসে কম নমুনা বোঝায়, তাই ছোট লক্ষ্যগুলির জন্য, হাইপারস্পেকট্রাল রিমোট সেন্সিং চিত্রগুলির শ্রেণিবদ্ধকরণ আদর্শ নয়।

(২) বৈশিষ্ট্যের প্রান্ত অঞ্চলে, একটি পিক্সেল দ্বারা উপস্থাপিত ব্রড-স্পেকট্রামের বক্ররেখা সহজেই অন্যান্য অ্যানালগ বৈশিষ্টগুলির বর্ণালী তথ্যের সাথে মিশ্রিত হয় এমন ঘটনাটি সীমানা বিভাগের ভুল শ্রেণিবিন্যাসের কারণ হয়।

3.3 রিমোট সেন্সিং চিত্র লক্ষ্য সনাক্তকরণ পদ্ধতি

রিমোট সেন্সিংয়ের ক্ষেত্রে আরও একটি গুরুত্বপূর্ণ গবেষণা সামগ্রী হিসাবে, অপটিক্যাল রিমোট সেন্সিং ইমেজ টার্গেট সনাক্তকরণও স্থল বৈশিষ্ট্যগুলির শ্রেণিবিন্যাস এবং স্বীকৃতি অর্জন করতে পারে hyp একই সাথে হাইপারস্প্যাক্ট্রাল রিমোট সেন্সিং চিত্রগুলির সাথে তুলনা করলে অপটিকাল রিমোট সেন্সিং চিত্রগুলি পাওয়া সহজ এবং লেবেল করা সহজ। ইউনিট নির্ভুলতার জন্য, অপটিকাল রিমোট সেন্সিং চিত্রগুলিতে অবজেক্ট সনাক্তকরণ একটি আরও দক্ষ প্রক্রিয়াজাতকরণ পদ্ধতি।

অপটিকাল রিমোট সেন্সিং ইমেজ টার্গেট রিকগনিশন প্রযুক্তি বৈশিষ্ট্য শিখন এবং সনাক্তকরণে অবিচ্ছিন্ন অগ্রগতি অর্জন করেছে। ফিচার এক্সট্রাকশনটি মূল হস্তনির্মিত বৈশিষ্ট্যগুলি থেকে গভীর কনভোলিউশনাল নিউরাল নেটওয়ার্কগুলিতে বৈশিষ্ট্যগুলি নিষ্কাশন করতে রূপান্তরিত হয়েছে, যা নিষ্কাশন দক্ষতার দিক থেকে দীর্ঘমেয়াদী উন্নতি [৪১-৪২] ]। সাম্প্রতিক বছরগুলিতে, বেশিরভাগ অ্যালগরিদম ফ্রেমওয়ার্কগুলি গভীর-শিক্ষার উপর ভিত্তি করে সাধারণ-উদ্দেশ্য বস্তু সনাক্তকরণ আলগোরিদিম ফ্রেমওয়ার্কগুলি থাকে এবং নির্দিষ্ট ডেটা সেটে অবজেক্ট সনাক্তকরণের উদ্দেশ্য অর্জনের জন্য এক বা একাধিক দিকগুলিতে উন্নত করার চেষ্টা করে general সাধারণভাবে, এই অ্যালগরিদমগুলি পারেন দুটি বিভাগে বিভক্ত, প্রথম বিভাগটি দ্বি-পর্যায়ের অ্যালগোরিদমের উপর ভিত্তি করে, দ্বিতীয় বিভাগটি শেষ থেকে শেষ অ্যালগরিদম (এক-স্তর) Deep গভীর শিক্ষণ-ভিত্তিক অপটিক্যাল রিমোট সেন্সিং চিত্র লক্ষ্য সনাক্তকরণ পদ্ধতিগুলি এই traditionalতিহ্যগত গভীরতার উপর ভিত্তি করে এটি কীভাবে করবেন তা শিখুন।

৩.৩.১ অঞ্চলভিত্তিক গভীর শেখার দূরবর্তী সেন্সিং চিত্র লক্ষ্য সনাক্তকরণ পদ্ধতি

অঞ্চলভিত্তিক গভীর শেখার পদ্ধতিটি সনাক্তকরণ সমস্যাটিকে দুটি পর্যায়ে বিভক্ত করে First প্রথমত, এটি প্রার্থী অঞ্চলগুলি তৈরি করে (অঞ্চল প্রস্তাবনাগুলি), এবং তারপরে প্রার্থীদের অঞ্চলগুলিকে শ্রেণিবদ্ধ করে (সাধারণত, অবস্থানের পরিশোধন প্রয়োজন) প্রতিনিধি আলগোরিদিমটি আরসিএনএন [43], আরসিএনএন [৪৪], দ্রুত-আরসিএনএন [৪৫], আর-এফসিএন [৪ 46], মাস্ক-আরসিএনএন [৪]] ইত্যাদি। এই ধরণের অ্যালগরিদম উচ্চ নির্ভুলতার সাথে তুলনামূলকভাবে তুলনামূলকভাবে ধীর গতি দ্বারা চিহ্নিত করা হয়।

আদনান এট আল। [48] NWPU ভিএইচআর -10 অপটিকাল রিমোট সেন্সিং ডেটা সেটটিতে দুটি অঞ্চল প্রস্তাব পদ্ধতি (সিলেক্টিক সার্চ [49]) এবং এজবক্সেস [50]) তুলনা করেছেন। পরীক্ষামূলক ফলাফলের সাথে তুলনা করা হয়েছে। এটি দেখানো হয়েছে যে এজবক্সের সিলেক্টিক সার্চের তুলনায় উচ্চতর রিক্যাল রেট এবং কম গণনার সময় রয়েছে D ডায়ো এট আল। [৫১] দ্বি-পর্যায়ের অ্যালগরিদমের অঞ্চল প্রস্তাবনা ধাপে ভিজ্যুয়াল স্যালেন্স প্রয়োগ করেছেন the উন্নত অঞ্চল প্রস্তাবনা অ্যালগরিদমটিতে, প্রথমত তাৎপর্যপূর্ণ মাধ্যমে মূল চিত্রটির বিশিষ্টতা মানচিত্রটি বৈশিষ্ট্য সনাক্তকরণের মাধ্যমে প্রাপ্ত হয়েছে, এবং নন-ওভারল্যাপিং উইন্ডো ব্লক নির্বাচন সম্পাদন করা হয়েছে, যা উইন্ডোগুলির সংখ্যাকে হ্রাস করে এবং সনাক্তকরণের গতি উন্নত করে Ji জি এট আল। [52] অনুরূপ লক্ষ্যমাত্রার আকার এবং পৃথক বৈশিষ্ট্য নিষ্কাশন আকারের পার্থক্য লক্ষ্য করেছেন। মাল্টি-স্কেল বৈশিষ্ট্য নিষ্কাশনটি পর্যায়ে পিরামিড নেটওয়ার্ক ব্যবহার করে সম্পাদিত হয় specific দ্রুত সনাক্তকরণের ক্ষেত্রে দ্রুত আর-সিএনএন এবং ইওএলওভি 3 এর তুলনা করা, পুনরুদ্ধার হার এবং যথার্থতায় আরও ভাল ফলাফল অর্জন করা হয়েছে Zাং এট আল। [৫৩] দৃশ্যের মুখোশ আর-সিএনএন নেটওয়ার্কের প্রস্তাব দিয়েছে, প্রথম, আসল চিত্রের শব্দার্থক বিভাগটিকে মানচিত্রের আউটপুট দিতে সম্পূর্ণ কনভোলিউশনাল নিউরাল নেটওয়ার্ক (এফসিএন) ব্যবহার করুন .এফসিএন এর কনভোলশনাল স্তর এবং পুলিং স্তর উচ্চ স্তরের বৈশিষ্ট্য মানচিত্রগুলি পেতে পারে এবং তারপরে মূল চিত্রটির পিক্সেল-স্তরের শ্রেণিবিন্যাস পেতে আপসাম্পলিং স্তরটি ব্যবহার করে। পরিশেষে, পিক্সেল-স্তরের শ্রেণিবিন্যাসটি আরও সঠিক লক্ষ্য সনাক্তকরণ অর্জনে সনাক্তকরণ অ্যালগরিদমকে সহায়তা করতে ব্যবহৃত হয় The লেখক তিনটি ভিন্ন জাহাজের টার্গেট স্বীকৃতির সাথে দ্রুত-আরসিএনএন অ্যালগরিদমকে তুলনা করেন এবং নির্দিষ্ট নির্ভুলতার সুবিধা অর্জন করেন।

এনডাব্লুপিউ ভিএইচআর -10 ডেটা সমষ্টি এবং দুটি এয়ারক্রাফ্ট টার্গেট ডেটাসেটগুলি গতি এবং যথার্থতার মধ্যে অ্যালগরিদমের ভাল কার্যকারিতা যাচাই করে Y ইয়ান এট আল। []০] ট্রান্সফার শেখার সাথে মিলিত গভীর প্রতিরোধের ভিত্তিতে সিএনএন লক্ষ্য সনাক্তকরণ অ্যালগরিদম প্রস্তাবিত অ্যালগরিদমটি মূলত দুটি অংশ অন্তর্ভুক্ত করে।প্রথম অংশটি কনভোলসিয়াল নিউরাল নেটওয়ার্ক ট্রান্সফার লার্নিং This এই অংশটি অপটিকাল রিমোট সেন্সিং ইমেজ নমুনাগুলির সাথে লেবেলিংয়ের সমস্যার কারণে বেশি পরিমাণে সমস্যাটি সমাধান করার প্রস্তাব দেওয়া হয়েছে second দ্বিতীয় অংশটি উন্নত গভীরতা ভিত্তিক রিগ্রেশন কনভোলশনাল নিউরাল নেটওয়ার্কের YOLOv3 ফ্রেমওয়ার্কটি অপটিক্যাল রিমোট সেন্সিং ইমেজগুলিতে লক্ষ্যগুলি সঠিকভাবে সনাক্ত করতে ব্যবহৃত হয় ime পরীক্ষা-নিরীক্ষায় দেখা যায় যে অ্যালগরিদম কার্যকরভাবে দূরবর্তী সেন্সিং ইমেজ টার্গেট সনাক্তকরণের গতি এবং যথার্থতাকে উন্নত করে।

শেষ থেকে শেষ অ্যালগরিদমের প্রতিনিধি হিসাবে, YOLO সিরিজের আলগোরিদিমগুলি তাদের দ্রুত প্রশিক্ষণ এবং সনাক্তকরণের গতির জন্য ব্যাপকভাবে ব্যবহৃত হয়েছে networks নেটওয়ার্ক YOLOv1 এবং YOLOv2 এর আগের দুটি প্রজন্মের তুলনায়, YOLOv3 একক-লেবেল শ্রেণিবিন্যাসকে মাল্টি-লেবেল শ্রেণিবিন্যাসে উন্নত করে, যা অর্জন করতে পারে বিভিন্ন ধরণের টার্গেটের শ্রেণিবদ্ধকরণের কাজ the একই সাথে, YOLOv3 নেটওয়ার্কে একটি বহু-স্কেল ফিউশন ভবিষ্যদ্বাণী পদ্ধতি যুক্ত করে, যা বিভিন্ন লক্ষ্যগুলির বৈশিষ্ট্য মানচিত্রগুলিকে শ্রেণিবদ্ধকরণ এবং সনাক্ত করতে পারে, ছোট টার্গেটগুলির সনাক্তকরণের সঠিকতা বাড়ায়।

যদিও YOLOv3 মডেলটি সনাক্তকরণের নির্ভুলতার ত্রুটিগুলি তৈরি করেছে এবং লক্ষ্যগুলি দ্রুত এবং আরও সঠিকভাবে সনাক্ত করতে সক্ষম করে, এর ভবিষ্যতে আরও কিছু ত্রুটি রয়েছে যা আরও অধ্যয়ন করা দরকার These এই ত্রুটিগুলিতে নিম্নলিখিত দুটি দিক অন্তর্ভুক্ত রয়েছে।

(1) সনাক্তকরণের প্রভাবটি সহজেই জটিল ব্যাকগ্রাউন্ড দ্বারা প্রভাবিত হয়।

(২) কনভোলশনাল নিউরাল নেটওয়ার্কের গ্রহণযোগ্য ক্ষেত্রটি ছোট টার্গেটগুলির তীক্ষ্ণতা হ্রাস করবে।

হাইপারস্পেকট্রাল রিমোট সেন্সিং ইমেজ শ্রেণীবদ্ধকরণ এবং অপটিক্যাল রিমোট সেন্সিং ইমেজ টার্গেট সনাক্তকরণের উপরের গবেষণার অবস্থার উপর ভিত্তি করে গভীর বন গভীর শিখার পদ্ধতির উপর ভিত্তি করে হাইপারস্পেকট্রাল রিমোট সেন্সিং চিত্র শ্রেণিবদ্ধকরণের জন্য স্থানিক বৈশিষ্ট্যগুলির কম ব্যবহারের সমস্যা সমাধানের জন্য, এই বিষয়টির প্রস্তাব দেয় বহু বৈশিষ্ট্যযুক্ত ফিউশন গভীর বন অ্যালগরিদম কাঠামো হাইপারস্পেকট্রাল রিমোট সেন্সিং চিত্রগুলির শ্রেণিবদ্ধকরণের জন্য ব্যবহৃত হয় multiple একাধিক বিভিন্ন স্থানিক বৈশিষ্ট্য ব্যবহার করে হাইপারস্পেকট্রাল রিমোট সেন্সিং চিত্রগুলির স্থানিক বৈশিষ্ট্যগুলির ব্যবহার উন্নততর গভীর বন কাঠামো ব্যবহার করে একাধিক হাইপারস্পেকট্রালগুলির সামগ্রিক শ্রেণিবিন্যাসের নির্ভুলতার উন্নতি করতে বিভিন্ন স্থানের বৈশিষ্ট্যগুলির গভীরতার নিষ্কাশন এবং বিভিন্ন বৈশিষ্ট্যগুলির বৈশিষ্ট্যগুলি কার্যকরভাবে সংমিশ্রণ করা। হাইপারস্পেকট্রাল রিমোট সেন্সিং ইমেজ শ্রেণিবিন্যাসের স্বল্পতাগুলি দূরবর্তী সংবেদনের সনাক্তকরণ প্রযুক্তিতে করার জন্য, গভীর শিক্ষার উপর ভিত্তি করে একটি পদ্ধতি ব্যবহৃত হয় লক্ষ্য সনাক্তকরণ: অপটিকাল রিমোট সেন্সিং ইমেজ টার্গেট সনাক্তকরণে ছোট লক্ষ্যগুলি এবং জটিল ব্যাকগ্রাউন্ড হস্তক্ষেপ সনাক্তকরণের অসুবিধা লক্ষ্য করে একাধিক বৈশিষ্ট্য ভিত্তিক গভীর শিক্ষার লক্ষ্য সনাক্তকরণ অ্যালগরিদম প্রস্তাব করা হয়েছে, যা একই সাথে ছোট লক্ষ্যগুলি এবং জটিল ব্যাকগ্রাউন্ডের প্রভাবগুলিকে সম্বোধন করে addresses