Jan, 2019

卫星多光谱图像时间序列农作物分类的深度学习模型的时空权衡

PDF
TL;DR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。
structured deep learning modelscrop type classificationmulti-spectral time seriesspatial and temporal structureshybrid neural networks
发现论文，激发创造
  • 基于循环卷积神经网络 (R-CNN) 从 Sentinel-2 数据中学习时间特征，提高土地覆盖和作物分类

    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

  • 利用分层融合卫星、旋转和上下文数据提高作物分类性能

    提出了一种融合多模态信息的方法，用于改进作物类型分类的准确性和稳健性，并针对 740 万个农业地块发布了新的注释数据集。新方法在评估中表现更好，可用于跨领域零样本学习和从法国到荷兰的少样本设定的稳健性。

    May, 2023

  • 原始光学卫星时间序列分类的自注意力

    本文研究如何利用深度学习算法，通过比较新的农作物分类模型，结合实验数据分析出数据预处理的作用和各种神经网络架构的性能，发现自我注意力机制的性能最好，但数据预处理对所有模型的性能均有提升。

    Oct, 2019

  • 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

  • 基于图像时间序列的作物分类映射：使用多尺度标签层次结构的深度学习

    本文旨在通过分类卫星图像时间序列来绘制农作物的地图，开发了一种利用专家知识的农作物分类方法，并将三级标签层次结构编码至卷积循环神经网络中，该神经网络能够同时学习罕见珍贵类别在更宏观层次上的特征表示，提高了细粒度分类的性能，并能够根据置信度和农业实践需求进行输出调整。在新的公共数据集 ZueriCrop 上的实验表明，相比于其他基于不平衡类分布的方法，该分层式卷积循环神经网络模型的分类性能至少提高了 9.9 个百分点。

    Feb, 2021

  • 基于像素集编码器和时间自注意力机制的卫星图像时间序列分类

    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

  • 使用深度学习对遥感影像植被进行语义分割

    本文介绍了一种利用机器学习技术，结合公开遥感数据，使用卷积神经网络模型实现不同类植被的分离的方法，旨在解决处理遥感数据的效率问题。

    Sep, 2022

  • 利用生长阶段归一化的多光谱卫星观测进行季节性作物类型分类

    本文提出了一种利用卫星遥感数据进行作物分类的方法，通过将输入进行作物生长阶段的归一化处理来避免种植时间变化带来的领域漂移问题，并结合卷积神经网络和循环神经网络进行像素的分类，该方法在 2019 年美国中西部极端天气造成了种植延迟的大规模实验中表现出卓越的性能，分类精度在收获前（9 月至 11 月）为 85.4％，在季中（7 月至 9 月）为 82.8％。

    Sep, 2020

  • 多模态作物类型分类：结合多光谱卫星时间序列、农民种植轮换和当地作物分布

    该论文提出了一种基于多模态数据和分层深度学习算法的土地利用和作物类型分类方法，使用了作物轮换等领域知识和丰富的作物分布背景信息，提高了分类性能，并提出数据扩增方法来处理季节末期作物分类问题。

    Aug, 2022

  • 运用迁移学习实现全球农作物地图

    本文使用卫星数据和深度学习方法，建立一个基于转移学习的农作物类型检测模型，成功地在韩国、法国、西班牙和荷兰等地区对水稻和大麦进行了检测。

    Nov, 2022