本研究提出了一种替代卷积神经网络的方法来自动分类卫星图像时间序列。使用基于 Self-Attention 的神经网络的时间特征提取方法来优化处理效率,并且发布了一个用于卫星图像时间序列研究的大型开放访问数据集。
Nov, 2019
本文研究使用 Recurrent Neural Networks 中的 Long-Short Term Memory(LSTM)模型来进行基于卫星图像时间序列的土地覆盖分类,并与传统方法进行了比较,结果表明 LSTM 模型在处理高度混合的图像分类问题方面表现更具竞争力。
Apr, 2017
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
使用神经常微分方程和递归神经网络结合的方法,可以在时间不规则的卫星遥感数据集上进行作物类型分类,从而实现了系统状态的随时采集和数据的外推。
Dec, 2020
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
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
通过多视图学习方法,研究了作物分类问题,探讨了不同融合策略和编码器结构对全球范围农田和作物类型分类任务的影响,并提供了一个技术框架,用于帮助研究者探索作物分类或相关任务。
Mar, 2024
该研究使用多头自注意机制并修改时间注意编码器,以有效处理全球规模的卫星图像时间序列分类,提高时间序列分类的准确性和效率。在开放访问的卫星图像数据集中,使用更少的参数和降低计算复杂度,该方法优于其他现有的时间序列分类算法。
Jul, 2020
通过利用合成孔径雷达(SAR)多时相数据来监测巴西雨林中的森林砍伐,并提出了三种增强森林砍伐检测准确性的深度学习模型,其中 RRCNN-1 具有最高准确性和最短处理时间。
Oct, 2023
通过遥感监测土地覆盖对于研究环境变化以及通过作物产量预测确保全球粮食安全至关重要。该研究建立了一个加拿大农田的时间序列数据集,包含了来自 10 个作物类别的高分辨率图像,并提供用于预测作物类别的模型和源代码,可用于加速土地覆盖的准确连续监测,以促进健壮的农业 - 环境模型的创建。
May, 2023