用于时间序列卫星图像特征自动提取的深度神经网络
计算机视觉与模式识别
2020-08-20 v1 机器学习
图像与视频处理
摘要
许多地球观测计划如Landsat、Sentinel、SPOT和Pleiades每天产生海量中至高分辩率多光谱图像，可组织为时间序列。本工作中，我们利用这些图像提供的时空信息生成土地覆盖图。为此，我们将全卷积神经网络与卷积长短期记忆（convolutional LSTM）相结合。给出了所提时空神经网络架构的实现细节。实验结果表明，时间序列图像提供的时序信息可提升土地覆盖分类精度，从而生成最新地图，有助于识别地表变化。
引用
@article{arxiv.2008.08432,
title = {Deep Neural Networks for automatic extraction of features in time series satellite images},
author = {Gael Kamdem De Teyou and Yuliya Tarabalka and Isabelle Manighetti and Rafael Almar and Sebastien Tripod},
journal= {arXiv preprint arXiv:2008.08432},
year = {2020}
}