基于带部分卷积深度神经网络的高效数据驱动卫星图像时间序列插补
机器学习
2022-08-19 v1 计算机视觉与模式识别
摘要
卫星图像时间序列中大量存在的空缺往往使卷积神经网络等深度学习模型用于时空建模变得复杂。基于计算机视觉中图像修复的已有工作,本文展示了如何将三维时空部分卷积用作神经网络中的层来填补卫星图像时间序列中的空缺。为评估该方法,我们将一个类 U-Net 模型应用于 Sentinel-5P 卫星准全球一氧化碳观测的不完整图像时间序列。预测误差与两种所考虑的统计方法相当,而预测计算时间快达三个数量级,使该方法可应用于处理大量卫星数据。部分卷积可作为层添加到其他类型的神经网络中,从而相对容易地与现有深度学习模型集成。然而,该方法不量化预测误差,且需进一步研究以理解和改进模型的可迁移性。时空部分卷积与类 U-Net 模型的实现作为开源软件提供。
引用
@article{arxiv.2208.08781,
title = {Efficient data-driven gap filling of satellite image time series using deep neural networks with partial convolutions},
author = {Marius Appel},
journal= {arXiv preprint arXiv:2208.08781},
year = {2022}
}
备注
This work has not yet been peer-reviewed and is provided by the contributing author(s) as a means to ensure timely dissemination of scholarly and technical work on a noncommercial basis