التحليل والتقسيم السحابي والظلال السحابية للصور الاستشعار عن بعد باستخدام دالة خسارة جاكارد المُرشَّحة والتكبير المعاملات

تُعد عملية فصل السحب والظلال الناتجة عنها من العمليات الأساسية في تحليل الصور المستشعرة عن بعد البصرية. لا تزال الطرق الحالية لتحديد السحب والظلال في الصور الجغرافية غير دقيقة بما يكفي، خاصة في ظل وجود الثلوج والضباب. يقدم هذا البحث إطارًا قائماً على التعلم العميق للكشف عن السحب والظلال في صور لاندست 8. تعتمد طريقة العمل لدينا على شبكة عصبية متعددة الطبقات (Convolutional Neural Network)، تُعرف بـ Cloud-Net+ (وهي تطوير لشبكة Cloud-Net التي قُدمت سابقًا \cite{myigarss})، والتي تم تدريبها باستخدام دالة خسارة جديدة تُسمى "دالة الخسارة المُصفية لجاكارد" (Filtered Jaccard Loss). تتميز دالة الخسارة المقترحة بالحساسية الأعلى لغياب الكائنات الأمامية في الصورة، وتُعاقب أو تُكافئ قناع التنبؤ بدقة أكبر مقارنةً بدوال الخسارة الشائعة الأخرى. بالإضافة إلى ذلك، تم تطوير تقنية تحسين البيانات تعتمد على اتجاه أشعة الشمس، وذلك لتحسين قدرة النموذج على التعميم في مهام كشف الظلال الناتجة عن السحب، وذلك من خلال توسيع مجموعات التدريب الحالية. ويعطي التجميع بين Cloud-Net+، ودالة الخسارة المُصفية لجاكارد، والخوارزمية المقترحة لتحسين البيانات نتائج متفوقة على أربع مجموعات بيانات عامة للكشف عن السحب والظلال. كما تُظهر التجارب التي أجريت على مجموعة بيانات Pascal VOC إمكانية تطبيق الشبكة ودالة الخسارة المقترحة في تطبيقات أخرى ضمن مجال الرؤية الحاسوبية، إلى جانب جودتها العالية.