卫星图像时间序列分析的深度学习:一综述
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
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
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
该研究探索了使用深度学习方法和分布对齐的神经网络嵌入可以提高卫星影像分析的准确性,尤其是在少量样本预测中,显著地超越了多种基线方法,其关键词有卫星图像分析,深度学习,迁移学习,Sentinel 和地区气候分区。
Dec, 2022
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
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
本文应用 Koopman 算子理论灵感,训练了一个自监督深度学习模型,用于建模未经标注的多光谱和高光谱卫星图像,同时证明了该模型可以用于数据同化。
May, 2023
本文介绍了 SSL4EO-L 数据集的设计,使用该数据集现代化并重新发布了 L7 Irish 和 L8 Biome 云检测数据集,并推出了 Landsats 4-5 TM 和 Landsat7 ETM+ SR 的 ML 基准数据集,使用 SSL4EO-L 预训练了 Landsat 影像的基础模型,并在多个语义分割任务上评估了它们的性能。
Jun, 2023
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