الطالبة ليلى باشمال تتحصل على جائزة افضل رسالة ماجستير

This research is supported by the Deanship of Scientific Research at King Saud University for funding this work through research group No (RG-1435-055).

تحصلت الطالبة ليلى باشمال على جائزة أفضل رسالة ماجستير و التي كانت تحت إشراف الدكتور يعقوب بعزي أحد أعضاء المعمل.  وقد كان ذلك ضمن فعالبات مسابقة التميز في نشاط البحثي لطلاب وطالبات الدراسات العليا لسنة 1439-1440. و هذا البحث مدعوم من عمادة البحث العلمي ضمن مشروع رقم 10-1435-55. و قد تم نشر الورقة علمية التالية في مجلة محكمة 

Siamese-GAN: Learning Invariant Representations for Aerial Vehicle Image Categorization

و في ما يلي تفاصيل رسالة الماجستير.

 التعلم العميق لتصنيف الصور الإستشعار عن بعد

ليلى باشمال (436203885) 1

تحت إشراف الدتور يعقوب بعزي

الخلاصة 

أثبتت تقنيات الاستشعار عن بعد فاعليتها وكفاءتها كأداة لمراقبة البيئة، توافر عدد كبير من الصور العالية الدقة الملتقطة عبر الأقمار الصناعية، والصور الفائقة الدقة الملتقطة بواسطة الطائرات بدون طيار فتح الباب أمام العديد من التطبيقات المثيرة للاهتمام. في المقابل توافر هذا العدد الهائل من الصور ذات الخصائص المختلفة شكّل تحديات جديدة، هذه التحديات دعت إلى تطوير تقنيات متقدمة للتحليل والمعالجة الأوتوماتيكية للصور.

إلى جانب طرق التصنيف الشائعة المعتمدة على تصنيف البكسل أو تصنيف الكائنات، أصبحت الطرق المعتمدة على تحليل المشاهد مجالاً مثيراً للاهتمام من قبل باحثي الاستشعار عن بعد، وعلى عكس الطرق الأخرى، تهدف الطرق المعتمدة على تحليل المشاهد إلى تصنيف الصور بناء على مجموعة من الدلالات بطريقة مشابهة لطريقة للإنسان. لمعالجة هذه المسألة تهدف هذه الرسالة إلى تقديم طرق متقدمة معتمدة على أساليب تكيف المجال ومبنية على الشبكات العصبية العميقة، بالتحديد ستركز هذه الرسالة بشكل خاص على حالات التصنيف التي تتضمن مشكلة تغير البيانات، وهي المشكلة التي عادة ما تواجَه عند التعامل مع صور ملتقطة فوق أماكن مختلفة من سطح الكرة الأرضية وبواسطة حساسات مختلفة.

تقدم هذه الرسالة طريقتين مختلفتين تعتمدان على التعلم العميق لتصنيف الصور المنتمية لمجالات مختلفة، الطريقة الأولى والتي أطلق عليها اسم التكيف الغير متماثل بواسطة الشبكات العصبية تبدأ باستخراج سمات مبدئية من الصور التابعة لكل من المجال المصدر والمجال الهدف بواسطة الشبكات العصبية ذات الالتفافات، لمعالجة مشكلة تغير البيانات، تستخدم شبكة إضافية مكونة من طبقتين متكاملتي الاتصال، تقوم الطبقة الأولى بإسقاط البيانات التابعة للمجال المصدر إلى فضاء المجال الهدف، بينما تقوم الطبقات الأخرى بالإبقاء على قابلية الفصل بين التصنيفات المختلفة، لتعليم الشبكة وتحديد الأوزان تقوم الشبكة بتصغير دالة هدف مكونة من طرفين، الطرف الأول متعلق بالفصل بين التصنيفات أما الطرف الثاني فهو متعلق بالمسافة بين توزيعي المجال المصدر والمجال الهدف.

الطريقة الثانية تستخدم معمارية متقدمة في التعلم العميق تعرف باسم الشبكات التوليدية التنافسية لتقليص الفجوة بين كل من مجاليّ المصدر والهدف، للقيام بذلك تقوم هذه الشبكة بتعلم السمات الثابتة والمشتركة بين كلا المجالين. تتكون هذه الطريقة والتي أطلق عليها اسم الشبكات التوليدية التنافسية السّيامية من مرحلتين، في المرحلة الأولى يتم إدخال الصور التابعة للمجالين إلى شبكة عصبية ذات التفافات سبق تدريبها لاستخراج سمات مبدئية من الصور. بعد ذلك يتم تدريب شبكة مكونة مرمز وفاك للترميز وشبكة مميز بطريقة تنافسية. تقوم الشبكة المكونة من مرمز وفاك للترميز بمطابقة توزيعي المجالين في فضاء آخر مشترك بين المجالين مقيد بواسطة القدرة على إعادة إنشاء مدخلات هذه الشبكة. بينما تحاول شبكة المميز التفريق بين المجالين. بعد هذه المرحلة، يتم إدخال السمات التي تم ترميزها والتابعة لكل من مجالي المصدر والهدف إلى شبكة إضافية مكونة من طبقتين متكاملتي الاتصال والتي تقوم بالتدريب والتصنيف تباعاً.

نتائج التجارب التي تم الحصول عليها والتي طُبقت على صور لمشاهد مختلفة من صور الاستشعار عن بعد ملتقطة عبر الأقمار الصناعية أو بواسطة الطائرات بدون طيار تؤكد الإمكانيات العالية لهذه الطريقة على تصنيف صور الاستشعار عن بعد مقارنة بالطرق السابقة.