التفكيك الدلالي من بيانات المستشعرات عن بعد واستغلال التعلم الضمني لتصنيف المهام المساعدة

في هذه الورقة، نتناول ثلاثة جوانب مختلفة لتصنيف الدلالة من بيانات الاستشعار عن بعد باستخدام الشبكات العصبية العميقة. أولاً، نركز على تصنيف الدلالة للمباني من بيانات الاستشعار عن بعد ونُقدّم شبكة ICT-Net. وقد تم اختبار الشبكة المقترحة على مجموعتي بيانات معيار INRIA وAIRS، وأظهرت أنها تتفوّق على جميع الطرق المتطورة الأخرى بنسبة تزيد عن 1.5% و1.8% على مؤشر جاكارد، على التوالي.ثانيًا، وبما أن تصنيف المباني يُعدّ عادة الخطوة الأولى في عملية إعادة البناء، نستكشف العلاقة بين دقة التصنيف ودقة إعادة البناء.ثالثًا، نقدّم المفهوم البسيط ولكن المقنع لتعلم المُستويات (latent learning) وآثاره في سياق التعلم العميق. ونفترض أن الشبكة التي تم تدريبها على المهمة الأساسية (أي تصنيف المباني) تتعلم بشكل غير مقصود عن مهام ثانوية (مثل تصنيف الطرق، الأشجار، إلخ) التي تكون مكملة للمهمة الأساسية. وقد تم اختبار التقنية المقترحة بشكل واسع على مجموعة بيانات معيار ISPRS التي تحتوي على تسميات متعددة، ونُشرت دقة تصنيف متوسطة (مقياس F1) قدرها 54.29% (انحراف معياري = 17.03) للطرق، و10.15% (انحراف معياري = 2.54) للسيارات، و24.11% (انحراف معياري = 5.25) للأحراج، و42.74% (انحراف معياري = 6.62) للنباتات منخفضة الارتفاع، و18.30% (انحراف معياري = 16.08) للضجيج أو العوائق.إن كود المصدر ومواد الدعم متاحة للجمهور عبر الرابط: http://www.theICTlab.org/lp/2019ICT-Net/.