基于神经常微分方程的变云量覆盖下作物分类
计算机视觉与模式识别
2021-08-17 v2
摘要
光学卫星传感器无法穿透云层观测地球表面。尽管具有周期性重访周期，地球观测卫星获取的图像序列因此在时间上是不规则采样的。最先进的作物分类（以及其他时间序列分析任务）方法依赖于隐式假设观测之间规则时间间隔的技术，例如循环神经网络（RNNs）。我们提出使用神经常微分方程（NODEs）与 RNNs 相结合，对不规则间隔图像序列中的作物类型进行分类。所得的 ODE-RNN 模型包括两个步骤：更新步骤，其中循环单元将新的输入数据同化到模型的隐藏状态中；以及预测步骤，其中 NODE 将隐藏状态传播直到下一次观测到来。预测步骤基于潜动态的连续表示，这具有若干优势。在概念层面上，它是描述物候周期所支配机制的一种更自然的方式。从实际角度来看，它使得能够在任意时间点对系统状态进行采样，从而可以在观测可用时随时整合观测，并外推至最后一次观测之后。我们的实验表明，ODE-RNN 确实比 LSTM、GRU 和时间卷积等常见基线提高了分类精度。在仅有少量观测可用（即频繁云覆盖）这一具有挑战性的场景中，增益最为显著。此外，我们展示了外推能力转化为在生长季早期更好的分类性能，这对于预测十分重要。
引用
@article{arxiv.2012.02542,
title = {Crop Classification under Varying Cloud Cover with Neural Ordinary Differential Equations},
author = {Nando Metzger and Mehmet Ozgur Turkoglu and Stefano D'Aronco and Jan Dirk Wegner and Konrad Schindler},
journal= {arXiv preprint arXiv:2012.02542},
year = {2021}
}