مراجعة شاملة لأساليب التعلم العميق لاستخراج الطرق من صور الأقمار الصناعية

الملخص

 نظرًا للازدياد المستمر في الطلب على استخدام صور الأقمار الصناعية في الاستخراج الآلي والدقيق لشبكات الطرق، فقد أدت الصور الفضائية عالية الدقة في الآونة الأخيرة إلى زيادة الحاجة إلى تقنيات مؤتمتة ودقيقة لاستخراج شبكات الطرق من صور الاستشعار عن بُعد باستخدام الأساليب الحديثة. ومع التطور الكبير في دقة وقدرة معماريات التعلم العميق على بناء تمثيلات قوية قادرة على أتمتة العديد من المهام اليدوية المتعلقة بإنشاء الخرائط وصيانتها، أصبح التعلم العميق أكثر الطرق شيوعًا لاستخراج الطرق من صور الأقمار الصناعية.
في هذا البحث، نقدم مراجعة شاملة للطرق التي تعتمد على معماريات التعلم العميق لاستخراج الطرق من الصور الفضائية. تم تنظيم الدراسات التي تمت مناقشتها في هذه المراجعة وفقًا لمعماريات الشبكات أو النماذج المستخدمة، مثل الشبكات العصبية الالتفافية (CNNs) ، ونماذج U-Net ، ونماذج الانتباه وتطبيقاته، ونماذج المحولات .(Transformers) كما تم إجراء مقارنات الأداء لنتائج استخراج الطرق اعتمادًا على مجموعات البيانات القياسية DeepGlobe و SpaceNet ومجموعة بيانات Massachusetts Roads ، وذلك باستخدام مقاييس الأداء المعتمدة مثل معامل التقاطع على الاتحاد (IoU) ، والدقة (Precision) ، والاسترجاع (Recall)، ومعامل .F1
علاوة على ذلك، نناقش نقاط القوة والضعف للتقنيات والأساليب الحالية المستخدمة في استخراج بيانات الطرق ضمن الأنواع الأربعة من النماذج. كما نسلط الضوء على المشكلات الشائعة في عملية الاستخراج، مثل انقطاع الطرق، وحجب الطرق، والأسطح ذات التباين المنخفض، وضعف قابلية التعميم عبر مجموعات البيانات المختلفة عند استخدام الأنواع الثلاثة الأولى من الشبكات، مما يؤدي إلى مشكلات متشابهة في الأداء. وأخيرًا، نقترح عدة اتجاهات بحثية مستقبلية لتطوير أنظمة أكثر كفاءة، لا تعتمد فقط على التعلم العميق باستخدام المعماريات المذكورة أعلاه، بل تشمل أيضًا المعماريات الهجينة، ودمج بيانات متعددة من أنواع مختلفة من المستشعرات، وتقليل الاعتماد على جمع كميات كبيرة من صور الأقمار الصناعية المشروحة يدويًا، بهدف تحسين أداء أنظمة استخراج الطرق.