通过将卫星图像时间序列处理作为直接的集合预测问题，将其表示学习过程分解为三个明确步骤：集合 - 更新 - 分散，使我们的模型在 PASTIS 数据集上取得了新的最先进结果，比如 U-TAE 等自定义神经结构。此外，通过将时间和空间组件在可视化方面进行了明确的分离，可以利用最近的计算机视觉进步，例如 Mask2Former，这是一种通用分割架构，从而实现比迄今为止的最佳分数高 8.8 个点的 PQ。

May, 2023

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

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

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

利用卫星图像时间序列（SITS）的自监督预训练方法 (S4)，通过利用波段差异和地理信息进行预训练任务，从而显著降低对标记训练数据的需求，为 SITS 分割任务提供了一种有效且能使用有限标记数据的解决方案。

May, 2024

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

本文提出了使用深度学习技术分析 SITS 数据的方法（DUal view Point deep Learning architecture for time series classificatiOn），利用卷积神经网络和循环神经网络结合的方式来实现更准确的土地覆盖分类，实验结果证明该方法的显著性。

Sep, 2018

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

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

本文提出了一种基于密集检测和全局自注意力机制的新型单次全景分割网络，该网络采用参数自由的掩码构建方法，大大降低了计算复杂度，实现了高效的实时性能，并在 Cityscapes 和 COCO 基准测试上取得了很好的效果。

Dec, 2019