KDDMay, 2021

增强型注意力时空分割用于地物覆盖制图

PDF
TL;DR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。
earth observingland useunetlstmcrops
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

  • 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

  • 利用 U-Net 模型进行卫星图像分割以进行土地覆盖分类

    本研究旨在使用改进的 U-Net 结构的卷积机器学习模型，基于卫星图像创建土地覆盖分类映射，使用 BigEarthNet 卫星图像归档和原始数据集对模型进行训练和测试，结果显示可以提高现有土地分类图的精度和土地覆盖变化检测。

    Mar, 2020

  • 多光谱、高光谱和高空间分辨率航空影像的深度学习语义分割评估

    该研究使用深度学习语义分割方法，在多光谱、高光谱和高空间分辨率的航拍图像数据集上进行了土地覆盖分类，其中 LinkNet 模型在所有数据集中获得了高 IoU 准确率 0.92，评估结果显示多光谱图像在 IoU 和 F1 得分上表现更佳，展示了 LinkNet 和多光谱图像在土地覆盖分类上的高效性和广泛适用性。

    Jun, 2024

  • 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

  • SpotNet: 自注意力多任务网络用于目标检测

    本研究旨在通过多任务学习方式训练一个网络实现视觉注意力，使用半监督学习方式生成前 / 背景分割标签，进而训练目标检测模型，利用分割地图实现自我注意机制，获得在交通监控领域两个数据集上显著的 mAP 改进，UA-DETRAC 和 UAVDT 数据集上均实现了最先进的结果。

    Feb, 2020

  • 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

  • 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

  • 音频场景分类的时空注意池化

    本文提出了一种基于卷积递归神经网络的时空关注池化层，用于学习判别性模式并抑制与声学场景分类无关的模式。实验证明该方法不仅优于强卷积神经网络基线，还在 LITIS Rouen 数据库上取得了新的最优性能。

    Apr, 2019

  • 一种混合卷积和双向 LSTM 网络中循环探索类别关注的方法，用于多标签航空图像分类

    本文提出 CA-Conv-BiLSTM 网络，用于航空图像多标签分类。该网络利用三个不可少的部件提取语义特征图，捕获具有可辨别性的类特定特征，并在双向 LSTM 子网络中建模底层类依赖关系，从而产生结构化的多对象标签。实验证明，该模型在 UCM 多标签数据集和 DFC15 多标签数据集上具有定量和定性的有效性。

    Jul, 2018