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

Nov, 2019

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

Satellite Image Time Series Classification with Pixel-Set Encoders and Temporal Self-Attention

Vivien Sainte Fare Garnot, Loic Landrieu, Sebastien Giordano, Nesrine Chehata

TL;DR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。

Abstract

satellite image time series, bolstered by their growing availability, are at the forefront of an extensive effort towards automated Earth monitoring by international institutions. In particular, large-scale control of agricultural parcels is an issue of major political and economic imp

satellite image time series automated classification neural networks self-attention agricultural monitoring

发现论文，激发创造

用于卫星图像时间序列分类的轻量级时间自注意力

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

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

卷积时间注意力网络实现卫星图像时间序列的全景分割

本篇论文提出了一种全新的端到端的、适合于处理卫星图像时间序列的像素级全景分割方法，并通过引入时序的注意力机制，提取了丰富且自适应的多尺度时空特征，同时还开发了第一个完全公开的卫星图像时间序列数据集 PASTIS，并展示了该方法在语义分割任务上的卓越表现。

Jul, 2021

基于顺序循环编码器的多时相土地覆被分类

本研究提出一种基于序列编码器 - 解码器结构的植被类的物候模型，特别考虑了观测序列中的云量过滤，最终使用无需繁琐的预处理步骤实现了无云涵盖下对不同种类的农作物进行地表覆盖分类的最佳结果。

Feb, 2018

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

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

卫星图像时间序列分类的时间卷积神经网络

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

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

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

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

增强型注意力时空分割用于地物覆盖制图

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