通过循环神经网络利用多时相空间数据进行土地覆盖分类
本文提出 Temporal Convolutional Neural Networks (TempCNNs) 来实现 Satellite Image Time Series (SITS) 的分类,通过在时间维度上应用卷积来完成。作者进行了一系列实验,证明了 TempCNNs 比传统算法(如 Random Forest)和近期广泛应用的 Recurrent Neural Networks(RNNs)更加准确,提供了网络结构、正则化机制和超参数等方面的指导,并确认了 TempCNNs 在土地覆盖地图上的可视化效果。
Nov, 2018
本文开发了基于时序相关性的 Pixel R-CNN 模型,可以通过学习多幅图像的时间相关性来进行自动特征提取,从而实现低成本农作物分类,对 15 种作物进行了测试。与传统算法相比,该模型在中北部意大利农业系统拥有支配性经济作物类型的数据集上获得了 96.5%的准确率,为进行多时序分类任务提供了高度准确且低成本的方法。
Apr, 2020
本文提出了使用深度学习技术分析 SITS 数据的方法(DUal view Point deep Learning architecture for time series classificatiOn),利用卷积神经网络和循环神经网络结合的方式来实现更准确的土地覆盖分类,实验结果证明该方法的显著性。
Sep, 2018
本文介绍了一种基于深度学习方法的城市变化检测框架,该框架结合了全卷积网络和强大的循环神经网络,能够在 Sentinel-2 数据集上对城市变化进行更精确的检测。实验结果表明,该框架在测试数据集上达到了 95% 的整体精度和 1.5% 的增加变化类别 F1 值的表现。
Oct, 2019
使用 Lidar 网格融合和循环神经网络,我们针对自动驾驶中的复杂市区场景进行长期预测,并通过 RNN 训练将场景数据转化为序列,以预测未来的占用率,其中包括卷积长短时记忆(ConvLSTMs)来区分静态和动态区域,预测未来帧中的动态对象,并提供了一种新的经过递归跳跃连接的方法,可以预测遮挡静态区域或者遮挡的小物品,例如行人。
Sep, 2018
本文提出了一个新的深度学习框架 —— Long- and Short-term Time-series network (LSTNet), 用于解决多元时间序列预测等问题,并在复杂混合循环模式数据上实现了显著的性能提升。
Mar, 2017
本研究旨在探讨使用卷积神经网络对遥感场景进行语义分类的方法,通过采用 CaffeNet 和 GoogLeNet 架构,并进行多种不同的学习方式包括预训练网络的微调等,实验结果表明该方法在两个遥感数据集的性能表现都显著优于同类方法。
Aug, 2015
本篇研究分析多光谱时间序列上几种结构化深度学习模型对农作物分类的影响,结果发现最佳表现的方式是大部分参数用于建模数据的时间结构。这些结果可以作为设计定制的深度学习模型进行农作物分类的指南。
Jan, 2019
本文介绍一种基于 UNet 结构,与双向 LSTM 和 Attention 机制相结合的创新架构,旨在共同利用卫星数据的时空性质,更好地识别各种土地覆盖的独特时间模式, 并将其用于全球多个地区的作物测绘。实验结果表明,该方法能够缓解噪声和识别区分性时间段的有效性,并与其他最先进的方法在两个实际数据集上进行定量和定性比较。
May, 2021