DuPLO：一种用于时间序列分类的双视角深度学习架构
计算机视觉与模式识别
2018-09-21 v1
摘要
如今，现代对地观测系统持续产生海量数据。一个显著例子是 Sentinel-2 任务，其提供高空间分辨率（最高 10m）、高时间重访周期（每 5 天）的图像，可组织为卫星图像时间序列（SITS）。尽管已证明 SITS 在土地利用/土地覆盖（LULC）制图中有益，但遥感领域常用的机器学习方法未能利用此类数据中的时空依赖关系。近来，新一代深度学习方法显著推进了该领域研究。这些方法通常聚焦于单一神经网络，即卷积神经网络（CNNs）或循环神经网络（RNNs），它们对不同的互补信息建模：空间自相关（CNNs）与时间依赖（RNNs）。本工作中，我们提出首个用于 SITS 数据分析的深度学习架构，即 DuPLO（用于时间序列分类的双视角深度学习架构），它结合卷积与循环神经网络以利用二者互补性。我们的假设是，由于 CNN 与 RNN 捕获数据的不同方面，二者结合将为底层土地覆盖分类任务产生更多样且完整的信表示。在具有不同土地覆盖特征的两个研究区（即法国的 Gard 站点与印度洋的 Reunion Island）开展的实验证明了我们方案的有效性。
引用
@article{arxiv.1809.07589,
title = {DuPLO: A DUal view Point deep Learning architecture for time series classificatiOn},
author = {Roberto Interdonato and Dino Ienco and Raffaele Gaetano and Kenji Ose},
journal= {arXiv preprint arXiv:1809.07589},
year = {2018}
}