مقاله مشترک دکتر محمدجواد شایگانفرد عضوهیئت علمی دانشکده هوش مصنوعی و کامپیوتر دانشگاه علم و فرهنگ و سپهر سماواتی دانشآموخته رشته کارشناسی ارشد مهندسی کامپیوتر ـ نرمافزار، که برآمده از پایاننامه کارشناسی ارشد این دانشآموخته است، با عنوان «A lightweight transfer learning framework with dynamic data augmentation for few-shot remote sensing image classification» در مجله Geomatica از انتشارات Elsevier منتشر شد.
به گزارش روابط عمومی دانشگاه علم وفرهنگ، این پژوهش به ارائه یک چارچوب سبک و کارآمد مبتنی بر هوش مصنوعی برای طبقهبندی تصاویر سنجش از دور در شرایط کمبود دادههای آموزشی میپردازد. پژوهشگران در این مطالعه با ترکیب روشهای یادگیری انتقالی (Transfer Learning) و افزایش پویای دادهها Dynamic Data Augmentation، روشی را ارائه کردهاند که امکان آموزش مدلهای یادگیری عمیق را با حجم محدودی از تصاویر برچسبگذاریشده فراهم میکند.
کمبود دادههای برچسبگذاریشده یکی از چالشهای مهم در توسعه مدلهای هوش مصنوعی برای تحلیل تصاویر ماهوارهای است؛ چراکه تهیه و برچسبگذاری این دادهها به زمان و منابع قابلتوجهی نیاز دارد. چارچوب پیشنهادی این پژوهش با هدف کاهش وابستگی مدل به حجم بالای دادههای آموزشی طراحی شده است.
نتایج آزمایشها روی تصاویر ماهوارهای نشان داد که روش پیشنهادی، ضمن حفظ کارایی محاسباتی و سبکبودن مدل، موجب کاهش خطای طبقهبندی و بهبود عملکرد آن میشود. این ویژگی میتواند استفاده از مدلهای هوش مصنوعی را در شرایطی که دادههای آموزشی محدود یا منابع محاسباتی در دسترس کم است، امکانپذیرتر کند.
یافتههای این پژوهش میتواند در حوزههایی همچون پایش محیطزیست، نقشهبرداری کاربری و پوشش اراضی، کشاورزی هوشمند، مدیریت بحران، پایش منابع طبیعی و تحلیل تصاویر ماهوارهای کاربرد داشته باشد.
این مقاله در مجله Geomatica از انتشارات Elsevier منتشر شده، در پایگاه Scopus نمایه میشود و در چارک Q2 قرار دارد.