多视图融合学习用于作物分类的比较评估
计算机视觉与模式识别
2023-10-24 v1 人工智能
机器学习
摘要
随着遥感(RS)数据源的数量和多样性迅速增加,对多视图学习建模有着强烈需求。考虑到遥感数据在分辨率、量级和噪声方面的差异,这是一项复杂的任务。合并多个遥感源的典型方法一直是输入级融合,但其他更先进的融合策略可能优于这一传统方法。本工作评估了CropHarvest数据集中用于作物分类的不同融合策略。本工作提出的融合方法优于基于单一视图的模型和先前的融合方法。我们未发现哪一种融合方法能持续优于所有其他方法。相反,我们对三个不同数据集的多视图融合方法进行了比较,并表明根据测试区域的不同,不同方法取得了最佳性能。尽管如此,我们提出了一种用于选择融合方法的初步准则。
引用
@article{arxiv.2308.05407,
title = {A Comparative Assessment of Multi-view fusion learning for Crop Classification},
author = {Francisco Mena and Diego Arenas and Marlon Nuske and Andreas Dengel},
journal= {arXiv preprint arXiv:2308.05407},
year = {2023}
}
备注
Accepted at IEEE International Geoscience and Remote Sensing Symposium 2023