%0 Journal Article %A Aghaei, Nastaran %A Akbarizadeh, Gholamreza %A Kosarian, Abdolnabi %T Using ShuffleNet to design a deep semantic segmentation model for oil spill detection in synthetic aperture radar images %J Journal of Iranian Association of Electrical and Electronics Engineers %V 19 %N 3 %U http://jiaeee.com/article-1-1397-fa.html %R 10.52547/jiaeee.19.3.131 %D 2022 %K Channel shuffle, ShuffleNet, deep learning, semantic segmentation, oil spill detection, synthetic aperture radar images, %X بخش­بندی معنایی عمیق تصاویر به­ عنوان راه حلی یکپارچه در آنالیز تصاویر مبتنی بر طبقه­ بندی تک­ تک پیکسل­ های تصویر بوده و بخصوص در کاربرد­هایی مانند شناسایی نشت نفت در آب­های آزاد که در آن مرز اشیا و نواحی به ­طور مشخص قابل تفکیک نیستند، مورد توجه قرار می­ گیرد. به منظور کنترل هرچه بیشتر آلودگی و مخاطرات زیست محیطی ناشی از نشت نفت، ارائه روش­هایی با دقت بیشتر از اهمیت ویژه­ ای برخوردار است. تصاویر رادار روزنه مصنوعی دراین زمینه بسیار پرکاربرد بوده و با چالش­ هایی از جمله نویز اسپکل و نیز تشخیص نواحی لکه ­نفتی و شبه­ لکه نفتی مواجه هستند. بکارگیری روش­های نوین یادگیری عمیق می ­تواند در کاهش دخالت سلیقه انسانی در تصمیم ­گیری کمک کند. در این مقاله از روش مخلوط کردن کانال­های ویژگی در شبکه ­های کانولوشنی عمیق، بلوک­های آتروس و بخش­های رمزگشایی استفاده شده است که علاوه بر کاهش پیچیدگی ­های محاسباتی، نتایج بخش ­بندی لکه­ های نفتی به ­مراتب بهتر از سایر روش­ها می­ دهد. معماری شبکه ارائه شده مبتنی بر معماری vgg16 می ­باشد. دقت کلی، صحت، همپوشانی بر واحد، IoU وزن­دار و امتیاز BF به­ عنوان پارامترهای ارزیابی در نظر گرفته شده ­اند. در روش ارائه شده، دقت بخش­ بندی لکه ­های نفتی و شبه ­لکه ­های نفتی به ­ترتیب به میزان 8/7% و 3/7% نسبت به روش­های پیشین بهبود یافته است. %> http://jiaeee.com/article-1-1397-fa.pdf %P 131-144 %& 131 %! %9 Research %L A-10-2479-1 %+ Shahid Chamran University of Ahvaz %G eng %@ 2676-5810 %[ 2022