ارائه کننده: مسعود امیری استاد راهنما: دکتر مریم ایمانی آرانی استاد مشاور: دکتر محمدحسن قاسمیان یزدیاستاد ناظر داخلی: دکتر پائیز عزمی استاد ناظر خارجی: دکتر احمد کلهر (دانشگاه تهران) تاریخ: ۱۴۰۴/۰۳/۰۴ ساعت: ۱۱ تا ۱۳ مکان: آزمایشگاه پردازش تصویر

چکیده: تشخیص اهداف در تصاویر ابرطیفی یکی از مسائل پیچیده و اساسی در حوزه‌ی تحلیل داده‌های سنجش از دور و بینایی ماشین به‌شمار می‌رود. این چالش ناشی از عواملی مانند ابعاد طیفی بالا، تنوع شدید پس‌زمینه و تعداد بسیار کم نمونه‌های هدف نسبت به کل پیکسل‌های تصویر و عدم توازن بین کلاس‌ها است؛ موضوعی که سبب می‌شود مدل‌های یادگیری عمیق در تمایز اهداف از پس‌زمینه دچار سوگیری شوند و نتوانند از اطلاعات محدود موجود برای اهداف، به‌درستی بهره‌برداری کنند. در این پژوهش، مدلی نوآورانه با عنوان Self & Cross Attention Feature Fusion که به‌اختصار SCAFF نامیده می‌شود، برای آشکارسازی اهداف ابرطیفی طراحی شده است که ساختاری بر پایه‌ی Patch دارد و با هدف تمرکز هوشمندانه بر نواحی مهم تصویر توسعه یافته است. این مدل از دو شاخه‌ی مکمل تشکیل شده است که یکی با تکیه بر مکانیزم توجه، به شناسایی روابط Intra-Patch و Inter-Patch می‌پردازد و دیگری با بهره‌گیری از مسیر کانولوشنی، به استخراج الگوها و ویژگی‌های محلی و مکانی-طیفی تمرکز دارد. شاخه‌ی مبتنی بر مکانیزم توجه به‌دلیل ماهیت سراسری خود، توانایی مدل در تحلیل وابستگی‌های سراسری در کل تصویر را فراهم می‌سازد. در مقابل، شاخه‌ی کانولوشنی نقش مکمل را ایفا کرده و موجب تقویت استخراج ویژگی‌های محلی از تصویر و ایجاد توازن میان تحلیل سراسری و محلی در معماری پیشنهادی می‌گردد. استفاده از مکانیزم توجه، به‌ویژه ترکیب Self-Attention و Cross-Attention، به‌عنوان راهکاری هوشمند برای هدایت تمرکز مدل به نواحی احتمالی هدف، نوآوری اصلی این پژوهش به‌شمار می‌رود و با هدف غلبه بر چالش عدم‌ توازن بین کلاس‌ها در داده‌های ابرطیفی صورت گرفته است. همچنین، برای افزایش انسجام مکانی در نتایج نهایی، از Guided Filter در مرحله‌ی پس‌پردازش بهره گرفته شده است. ارزیابی مدل SCAFF بر روی چهار مجموعه‌داده‌ی استاندارد نشان می‌دهد که این روش از لحاظ دقت، پایداری و کارایی محاسباتی، نسبت به روش‌های پیشین عملکردی قابل‌توجه و رقابتی دارد. به‌طور مثال، برای مجموعه‌داده‌ی  در معیار ارزیابی ، نسبت به میانگین روش‌های رقیب حدود ۵ درصد افزایش دقت و برای مجموعه‌داده‌ی  نیز حدود ۱۵ درصد بهبود دقت نسبت به میانگین سایر روش‌ها حاصل شده است. سایر مجموعه‌داده‌ها نیز به‌طور مشابه نتایج مطلوبی را برای روش پیشنهادی SCAFF نشان داده‌اند.