MMJan, 2019

基于端到端学习的时间序列早期分类，用于季节性农作物类型映射

PDF
TL;DR本文提出了基于 End-to-End Learned Early Classification of Time Series (ELECTS) 的模型，通过训练远程感知卫星获取的时间序列数据来进行预测并提高农作物分类的准确性和判断速度。该模型不仅可以提高分类准确性，同时还能在不降低准确性的情况下尽可能地减少需要下载、存储和处理的数据量。
remote sensingdeep learningtime series classificationearly classificationcrop classification
发现论文，激发创造
  • 如何在开放时间序列中分类事件？

    本文首次研究在流式事件没有预先定义终点的情况下，早期分类与准确性的平衡如何优化，并发现过去的算法可以用于新的问题，同时应用于预测性维护，最终取得了成功。

    Apr, 2022

  • 农业卫星时间序列监测的早期分类

    本文介绍用于卫星农业监测的一种新型早期分类机制，该机制能够增强现有分类模型，具有自主决策的能力，且仅通过观察卫星数据进行训练。我们在中欧农田上展示了结果，并发现此分类机制能够在植被期结束前区分许多作物类型，且分类时间和观察到的植物表现有关。

    Aug, 2019

  • 时间序列的早期分类：分类体系和基准

    提供了一个早期分类的时间序列问题的评价方法，并通过一系列实验评估了九种现有算法的性能，同时还介绍了一个包含大多数现有算法的开源库。

    Jun, 2024

  • TEASER：时间序列早期准确分类

    TEASER 是一种新算法，它将早期时间序列分类建模为两个级别的分类问题，并在使用 45 个基准数据集进行评估时比竞争对手提前两至三倍地预测，同时达到相同或更高的分类准确性。

    Aug, 2019

  • 卫星图像时间序列分析的深度学习：一综述

    利用深度学习方法对卫星图像时间序列数据进行环境、农业和其他地球观测变量的建模的最新方法进行了综述，为遥感专家提供了一个利用时间信息增强地球观测模型的资源。

    Apr, 2024

  • 早期时间序列分类算法：实证比较

    本研究旨在评估和比较现有的早期时序分类算法，为生命科学和海事领域提供分类预测，并建立一个可用于相关技术测试的基准。

    Mar, 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

  • 利用热位置编码进行卫星图像时间序列的一般化分类

    应用遥感技术的大规模作物分类是经济和生态上非常重要的任务。本篇论文提出了一种基于热量位置编码的注意力机制作物分类器，通过累计生长季节中的日平均温度来解决不同地区之间的时间偏移问题，从而实现更好的推广性能，并在四个不同欧洲地区的作物分类任务中实现了最先进的推广结果。

    Mar, 2022

  • 一种混合残差扩张 LSTM 与指数平滑方法的中期电量负荷预测模型

    本研究提出了一种采用混合和分层深度学习模型进行中期负载预测的方法，该模型结合了指数平滑（ETS）、先进的长短期记忆（LSTM）和集成方法。模拟研究表明，该模型的性能非常高，竞争力强。

    Mar, 2020

  • 面向时序分类的预测时间感知深度卷积网络

    该论文提出了一种名为 EA-ConvNets 的深度学习框架，能够在学习深层次的形状集合来提取时间序列数据中的显著特征的同时，结合动态截断模型帮助框架专门关注时间序列的早期部分，从而实现高可靠性的时间序列数据早期分类。实验结果显示，该方法不仅准确度极高，而且学习到的深度形状特征也具有很高的可解释性。

    Nov, 2016