基于自注意力网络利用多时相Sentinel-2卫星影像进行土地覆盖分类的域对抗训练
计算机视觉与模式识别
2022-11-03 v2 人工智能
摘要
大规模遥感标注数据可用性的提升促使研究者开发日益精确且数据驱动的土地覆盖与作物分类(LC&CC)模型。此外,随着自注意力和内省机制的引入,深度学习方法在多光谱域处理长时序序列时展现出有前景的结果,且计算需求可控。然而,大多数实际应用无法依赖标注数据,实地调查是一种耗时的解决方案,对收集样本数量构成严格限制。此外,大气条件和特定地理区域特征构成了显著的域差距,使得在可用数据集上训练的模型无法直接应用于感兴趣区域。本文中,我们研究深度神经网络的对抗训练以弥合不同地理区域间的域差异。特别地,我们对应用于具有挑战性的多光谱、多时相数据的域适应进行了透彻分析,准确突出了将最先进的基于自注意力的LC&CC模型适应到无标注数据的不同目标区域的优势。大量实验表明,在对提取特征分布存在显著异质性的源区域和目标区域应用域对抗训练时,性能和泛化能力获得显著提升。
引用
@article{arxiv.2104.00564,
title = {Domain-Adversarial Training of Self-Attention Based Networks for Land Cover Classification using Multi-temporal Sentinel-2 Satellite Imagery},
author = {Mauro Martini and Vittorio Mazzia and Aleem Khaliq and Marcello Chiaberge},
journal= {arXiv preprint arXiv:2104.00564},
year = {2022}
}