آموزش استخراج عوارض ساختمانی از تصاویر هوایی و ماهواره‌ای با یادگیری عمیق – پروژه محور

این محصول آموزشی در ارتباط با نحوه استخراج عوارض ساختمانی از تصاویر هوایی و ماهواره‌ای با استفاده از یادگیری عمیق است. در این محصول، نکات مهم در رابطه با ویژگی‌های یادگیری عمیق، نحوه آماده‌سازی داده، آموزش مدل یادگیری عمیق و انجام پیش‌بینی توسط این مدل برای ارزیابی نتایج ارائه شده است.

آموزش‌ها و تکنیک‌های ارائه شده در این محصول صرفا برای استخراج عوارض ساختمانی نبوده و در صورت وجود داده مناسب، می‌توان ار آن‌ها برای استخراج دیگر عوارض همچون پوشش گیاهی، منابع آبی و غیره استفاده کرد.

ویدئوی معرفی:

ویژگی های محصول

• مدرس: نیما احمدیان
• تخصص: سنجش‌ از دور
• موضوع: استخراج عوارض ساختمانی
• نرم افزار: سامانه  Google Colab
• نوع آموزش: ویدیویی
• مدت زمان آموزش: 4 ساعت و نیم
• داده های تمرینی:‌ دارد
• پیش نیاز: آشنایی مقدماتی با پایتون

تهیه آموزش:

برای تهیه آموزش بر روی دکمه زیر کلیک کنید:

معرفی مدرس

• نیما احمدیان
• کارشناسی ارشد سنجش از دور از دانشگاه تبریز
• کارشناسی مهندسی نقشه‌برداری از دانشگاه تبریز
• 2 سال سابقه کار با مدل‌های یادگیری عمیق برای پردازش تصاویر هوایی و ماهواره‌ای
• منتشرکننده مقالات فارسی و انگلیسی در رابطه یادگیری عمیق و سنجش از دور

عناوین آموزشی

عناوین این محصول آموزشی به شرح زیر است:

• قسمت اول: معرفی دوره
• قسمت دوم: معرفی نرم‌افزار Spyder و سامانه Google Colab
• قسمت سوم: مروری بر یادگیری عمیق
• قسمت چهارم: معرفی کتابخانه یادگیری عمیق Keras
• قسمت پنجم: کدنویسی مدل یادگیری عمیق U-Net با Keras در Google Colab
• قسمت ششم: دسته‌بندی داده‌ها برای مدل‌های یادگیری عمیق
• قسمت هفتم: روش‌های Load کردن داده برای آموزش مدل یادگیری عمیق با Numpy Array و ImageDataGenerator
• قسمت هشتم: معرفی Data Augmentation
• قسمت نهم: معرفی Callback ها (ModelCheckpoint, CSVLogger, ReduceLROnplateu, EarlyStopping)
• قسمت دهم: معرفی Transfer Learning
• قسمت یازدهم: آماده‌سازی و آموزش دادن مدل یادگیری عمیق با Load داده به روش Numpy Array
• قسمت دوازدهم: آموزش دادن مدل یادگیری عمیق با Load داده به روش ImageDataGenerator
• قسمت سیزدهم: نحوه ادامه آموزش مدل یادگیری عمیق با استفاده از وزن‌های ذخیره شده
• قسمت چهاردهم: انجام پیشی‌بینی بصری و ارزیابی کمی مدل یادگیری عمیق با داده تست
• قسمت پانزدهم: معرفی معیارهای ارزیابی و محاسبه آن‌ها برای بررسی دقت مدل

معرفی نرم افزار

در این آموزش، از سامانه مجازی گوگل کولب (Google Colab) برای کدنویسی و آموزش مدل یادگیری عمیق استفاده شده است. گوگل کولب به دلیل دارا بودن تمامی کتابخانه‌های موردنیاز برای این دوره و همچنین امکان استفاده از کارت گرافیکی به صورت رایگان برای اجرای کدها در این دوره مورد استفاده قرار گرفته است.

همچنین، با استفاده از گوگل درایو می‌توان امکان دسترسی به داده‌ها را داد تا فرآیند بارگذاری داده از گوگل درایو انجام شود.

داده ها

در این محصول آموزشی از سه دسته داده استفاده شده است که شامل دو دسته تصاویر هوایی و یک دسته داده ماهواره‌ای است. به همراه این دوره، یک دسته داده هوایی و یک دسته داده ماهواره‌ای ارائه شده است تا در حین مشاهده دوره، بتوان با آن‌ها فرآیند اجرای کدها را انجام داد.

هر کدام از این دسته داده‌ها، دارای سه پوشه Train، Validation و Test هستند که شامل تصاویر هوایی یا ماهواره‌ای و لیبل‌های باینری که مشخص کننده موقعیت ساختمان‌ها در هر تصویر هستند، می‌باشد.

همچنین، وزن‌های حاصل از آموزش مدل یادگیری عمیق توسط این سه دسته داده به همراه این دوره ارائه می‌شود تا نتایج موجود در ویدیوها قابل بررسی و تکرار باشد.

کاربرد این آموزش:

کاربرد این محصول آموزشی در زمینه استخراج عوارض ساختمانی از تصاویر هوایی و ماهواره‌ای با استفاده از یادگیری عمیق است. این دوره، اطلاعات مفیدی در رابطه با مزیت استفاده از مدل‌های یادگیری عمیق در پردازش تصاویر سنجش از دوری ارائه می‌کند.

اطلاعات موجود در این دوره برای دیگر پروژه‌های سنجش از دوری همچون تشخیص اشیا و طبقه‌بندی تصاویر هوایی و ماهواره‌ای هم می‌تواند مفید باشد.

مخاطبان افرادی هستند که در زمینه سنجش از دور فعالیت می کنند. کاربران عمومی و دانشجویان سنجش از دور می توانند مطالب بسیار مفیدی را در زمینه یادگیری عمیق و استخراج عوارض ساختمانی بدست آورند.

سوال دارید؟

در این صفحه سعی شده تا تمامی مطالب مورد نیاز کاربران پیش از فرایند خرید عرضه شود. با این حال در صورتی که از مدرس سوال دارید می توانید از بخش نظرات در بخش بالای صفحه استفاده کنید. بخش نظرات برای پرسش و پاسخ با مدرس طراحی شده است.

هم چنین در صورتی که نسبت به محتوای محصول انتقاد و یا پیشنهاداتی دارید از طریق بخش نظرات آن را مطرح کرده و سپس نسبت به این محصول امتیاز دهید. هرچه امتیاز دهی شما دقیق تر باشد، سایر کاربران به شکل بهتری در استفاده از این محصول و کیفیت مدرس آگاهی پیدا خواهند کرد.

تهیه آموزش:

برای تهیه آموزش بر روی دکمه زیر کلیک کنید: