面向基于对象的卫星图像时间序列数据的带空间解释注意力弱监督土地覆盖制图
计算机视觉与模式识别
2020-05-01 v1
摘要
如今，现代对地观测系统持续收集海量卫星信息。获取高分辨率卫星图像时间序列（SITS）数据（对同一地理区域具有高重访周期的影像序列）的前所未有的可能性，正在为监测地球表面的各个方面开辟新机遇，但同时也对分析和利用如此庞大而丰富的复杂图像数据的适用方法提出了新挑战。与 SITS 数据分析相关的主要任务之一是土地覆盖制图，其中通过学习方法利用卫星数据来恢复地球表面状态即相应的土地覆盖类别。由于业务约束，用于训练机器学习策略的标注信息通常体量有限且以粗粒度获取，产生不精确和弱的知识，可能影响整个流程。为应对这些问题，在基于对象的 SITS 土地覆盖制图背景下，我们提出一种名为 TASSEL（aTtentive weAkly Supervised Satellite image time sEries cLassifier，注意力弱监督卫星图像时间序列分类器）的新深度学习框架，能够智能利用粗粒度标注提供的弱监督。此外，我们的框架还产生额外的侧信息，支持模型可解释性，旨在使黑盒变灰。该侧信息可通过视觉检查将空间解释关联到模型决策。
引用
@article{arxiv.2004.14672,
title = {Attentive Weakly Supervised land cover mapping for object-based satellite image time series data with spatial interpretation},
author = {Dino Ienco and Yawogan Jean Eudes Gbodjo and Roberto Interdonato and Raffaele Gaetano},
journal= {arXiv preprint arXiv:2004.14672},
year = {2020}
}
备注
Under submission to Elsevier journal