利用循环神经网络从多时相 Sentinel-2 数据检测城市变化
计算机视觉与模式识别
2019-10-18 v1 图像与视频处理
摘要
多时相高分辨率数据（如哥白尼 Sentinel-2）的出现，显著增强了监测地球表面和环境动态的潜力。本文提出了一种新颖的城市变化检测深度学习框架，该框架结合了用于特征表示的最先进全卷积网络（类似于 U-Net）和用于时序建模的强大循环网络（如 LSTM）。我们报告了在最近公开的双时相 Onera 卫星变化检测 (OSCD) Sentinel-2 数据集上的结果，并通过增加同一区域不同日期的额外图像来增强时序信息。此外，我们使用集成交叉验证策略，在未见的测试集上评估了循环网络的性能以及使用额外日期的效果。所有在验证阶段开发的模型总体准确率均超过 95%，而使用 LSTM 和进一步的时序信息，将变化类的 F1 分数额外提升了 1.5%。
引用
@article{arxiv.1910.07778,
title = {Detecting Urban Changes with Recurrent Neural Networks from Multitemporal Sentinel-2 Data},
author = {Maria Papadomanolaki and Sagar Verma and Maria Vakalopoulou and Siddharth Gupta and Konstantinos Karantzalos},
journal= {arXiv preprint arXiv:1910.07778},
year = {2019}
}
备注
4 pages, IGARSS2019