ارائه­ دهنده:

  استاد راهنما:

دکتر محسن سریانی
هیات داوران:
 دکتر محمد‌رضا جاهد مطلق؛ دکتر مریم ایمانی
زمان:
چهارشنبه ۱۳۹۹/۱۲/۲۰

 هوتن غفاری  دانشجوی کارشناسی ارشد آقای دکتر محسن سریانی چهارشنبه  ۲۰ اسفندماه ساعت ۱۴:۳۰ از پروژه کارشناسی ارشد خود  تحت عنوان "طبقه‌بندی پوشش کشاورزی سطح زمین با استفاده از تصاویر ماهواره‌ای " دفاع خواهند نمود.

چکیده پایان نامه:

نقشه‌های به‌روز از زمین‌های کشاورزی در حل مشکلاتی مانند کنترل منابع آبی و غذایی، خشک‌سالی، و شیوع برخی از بیماری‌ها مانند آنفلوآنزای مرغی اهمیت به‌سزایی دارند. یکی از موانع اصلی در طبقه‌بندی زمین‌های کشاورزی با استفاده از تصاویر ماهواره‌ای، کمبود داده زمینی یا همان برچسب کافی برای آموزش مدل است. تصاویر بدون برچسب فراوان هستند، اما نحوه بهره‌برداری از آن‌ها یک مسئله باز است. ما در این کار نشان خواهیم داد که چگونه با استفاده از یادگیری خود‌هدایت‌شده می‌توان از پتانسیل این تصاویر برچسب نخورده در بهبود طبقه‌بندی زمین‌های کشاورزی استفاده کرد. این روش در حد چشم‌گیری مد‌ل‌ها را برای مناطقی که تنها تعداد محدودی نمونه برچسب‌خورده دارند تقویت می‌کند. مدل حاصل در برابر نویز مقاوم می‌شود، و دقت بسیار بالاتری را در بازه گسترده‌ای از آزمایش‌ها نشان می‌دهد. این بهبود بسته به شرایط آزمایش‌ها از حدود ۲٪ تا بیش از ۶۰٪ است. همچنین، نشان خواهیم داد که یادگیری خود‌هدایت‌شده به ما اجازه می‌دهد تا روش موثری را برای انطباق حوزه پیاده‌سازی کنیم. به‌کمک آن می‌توان از داده برچسب‌خورده در مناطق دیگر زمین برای طبقه‌بندی یک منطقه بدون برچسب بهره برد. این روش دقت مدل را برای یک منطقه بدون برچسب حدود ۲۴٪ بهبود بخشید. این کار سبب می‌شود تا ما اتکا کمتری به آمارگیری‌های دستی داشته باشیم، و در نتیجه هزینه‌ها را در حد قابل توجهی کاهش دهیم.
 
روش‌های ساده از یادگیری انتقالی معمولاً برای این مسئله مناسب نیست، مگر آن‌که حوزه هدف از نظر مسائلی مانند آب‌و‌هوا و خواص خاک شباهت زیادی به حوزه مبدأ داشته باشد. با این حال، ما با انتقال دانش توسط یک مدل از پیش آموزش دیده حدود ۱٪ بهبود کسب کردیم. علاوه بر آن، ما با اجرای یک تحلیل جامع و دقیق از تفاوت بین دو حوزه که از معیار‌های KL-Divergence و اطلاعات مشترک استفاده می‌کند، نقش ویژگی‌های ورودی متفاوت مانند شاخص‌های سبزینگی را در توانایی شبکه عصبی برای یادگیری ویژگی‌های مستقل از حوزه بررسی کردیم. این روش تحلیل برای ارزیابی مستقل از حوزه بودن مدل‌هایی که برای یادگیری انتقالی پیشنهاد می‌شوند مفید است. مهم‌تر از آن، با استفاده از این روش می‌توان مناطق مشابه را به‌صورت سیستماتیک پیدا کرد تا یادگیری انتقالی مفیدتر عمل کند.
 
کلمات کلیدی: طبقه‌بندی زمین‌های کشاورزی، یادگیری عمیق، یادگیری خود‌هدایت‌شده، انطباق حوزه، یادگیری با داده اندک