پیاده‌سازی مدل یادگیری عمیق

عنوان پروژه: توضیحات پروژه: قصد دارم یک مدل یادگیری عمیق برای افزایش رزولوشن مکانی تصاویر ماهواره‌ای طراحی کنم. هدف، تبدیل تصاویر 2 باند مادیس (MODIS) با رزولوشن 250 متر به تصاویر با کیفیت و رزولوشن مشابه سنتینل-2 (Sentinel-2) است. وضعیت داده‌ها و دسترسی: فرمت: تصاویر به صورت GeoTIFF هستند. مناطق: دیتاست شامل پچ‌هایی از مناطق مختلف جغرافیایی از جمله برزیل (Brazil)، گرجستان (Georgia) و چندین منطقه دیگر است تا تنوع پوشش زمین رعایت شده باشد. داده‌های موجود: چندین مجموعه پچ (از جمله پچ‌های 100x100 و 250x250) در دو سطح بزرگ‌نمایی 5X و 25X آماده شده است. فریلنسر در صورت نیاز به تغییر ابعاد پچ‌ها برای هماهنگی با معماری مدل، آزاد است. کیفیت: داده‌ها کاملاً Pre-registered (منطبق شده)، Cloud-free (بدون ابر) و دارای هم‌پوشانی زمانی هستند. لینک دانلود جهت بررسی: [https://drive.google.com/drive/folders/183iRzUNPs-E_hXiQs1WhYCOlh92cAWkj?usp=sharing] انتظارات از فریلنسر: طراحی مدل: پیاده‌سازی یک شبکه عصبی مناسب (مانند SRCNN، GAN، Transformer یا مدل‌های اختصاصی Fusion) با ضریب بزرگ‌نمایی بیش از 2 برابر. حفظ ژئورفرنس: کد نهایی (Inference) باید حتماً اطلاعات سیستم مختصات (CRS) و Transform فایل‌های GeoTIFF اصلی را در خروجی حفظ کند تا تصویر خروجی دارای مختصات جغرافیایی دقیق باشد. تحویل سورس کد: پروژه باید در قالب نوت‌بوک Google Colab یا Jupyter شامل بخش‌های کامل آموزش و تست (Inference) تحویل داده شود. ارزیابی: فریلنسر در انتخاب متریک‌های ارزیابی (مانند PSNR، SSIM و غیره) آزاد است. مهارت‌های مورد نیاز: تسلط به پایتون و فریم‌ورک‌های یادگیری عمیق (PyTorch یا TensorFlow). تجربه کار با کتابخانه‌های پردازش داده‌های رستری (مثل Rasterio یا GDAL). آشنایی با مباحث Super-Resolution در سنجش از دور.