Jul, 2020

用于卫星图像时间序列分类的轻量级时间自注意力

PDF
TL;DR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。
earth observation satellite datamulti-headed self-attention mechanismstemporal attention encodertime-series classificationsatellite image dataset
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 空时注意力是否足以理解视频？

    该论文提出了一种基于自注意力机制的视频分类方法，名为 TimeSformer，适用于序列级别的视频帧，采用分离式自注意力机制，不仅训练速度比 3D 卷积神经网络更快，而且在多个动作识别数据集上实现了最佳效果，且支持处理长达一分钟的视频.

    Feb, 2021

  • 卫星影像时序的多模态视觉转换器用于作物分类

    通过使用来自不同卫星传感器获取的图像，已经证实在卫星图像时间序列（SITS）的作物分布图框架中，可以提高分类性能。现有的最新架构使用自注意机制处理时间维度和卷积处理空间维度。受到单模态 SITS 作物分布图中纯注意力架构的成功启发，我们引入了几种多模态多时序变换器架构。具体来说，我们研究了在时间空间视觉变换器（TSViT）中早期融合、交叉注意融合和同步类标记融合的有效性。实验结果表明，相较于具有卷积和自注意组件的最新架构，我们的架构显著改善了性能。

    Jun, 2024

  • 基于注意力机制的卫星图像散射网络

    利用散射变换从多通道卫星图像中提取高级特征，并引入分离方案以关注独立输入通道，通过实验对热带气旋强度估计和卫星图像中雷电预测显示出有希望的结果。

    Oct, 2022

  • 使用卷积关注（ConvEntion）进行天文图像时间序列分类

    本文提出了一种基于深度学习的新方法 ConvEntion，它利用天文图像时间序列中的时空特征对不同类型的天文空间物体进行直接分类，相较于其他基于图像时间序列及光度曲线的方法，该方法取得了 13% 至 12% 的准确率提升。

    Apr, 2023

  • 可解释的时空注意力视频动作识别

    通过引入可解释的时空注意力机制来提高视频动作识别的准确性和模型解释性，并使用一组正则化器对其进行约束。利用弱监督的方式仅使用分类标签，模型不仅提高了准确性，还能时空自动定位区分性区域。

    Oct, 2018