面向生长季作物类型制图的端到端学习时间序列早期分类
机器学习
2022-12-23 v2 机器学习
摘要
遥感卫星以规则的时间间隔记录卫星时间序列数据，捕捉地球的周期性动态。端到端训练的深度学习方法利用该时间序列数据大规模进行预测，例如生成最新的作物覆盖图。大多数时间序列分类方法关注预测的准确率。然而，预测的及早性也至关重要，因为在时间敏感的应用中尽早做出决策可能产生关键性差异。本工作中，我们提出一种端到端学习时间序列早期分类（ELECTS）模型，该模型估计分类分数以及是否已观测到充足数据从而能够做出早期且仍准确的决策的概率。ELECTS是模块化的：任何深度时间序列分类模型都可通过添加第二个输出停止分类概率的预测头来实现ELECTS的概念思想。ELECTS损失函数随后在及早性与准确性的平衡目标上优化整体模型。我们在来自欧洲和非洲的四个作物分类数据集上的实验表明，ELECTS在大幅减少需下载、存储和处理的数据量的同时，能够达到state-of-the-art准确率。源代码见 https://github.com/marccoru/elects。
引用
@article{arxiv.1901.10681,
title = {End-to-End Learned Early Classification of Time Series for In-Season Crop Type Mapping},
author = {Marc Rußwurm and Nicolas Courty and Rémi Emonet and Sébastien Lefèvre and Devis Tuia and Romain Tavenard},
journal= {arXiv preprint arXiv:1901.10681},
year = {2022}
}
备注
accepted for publication in ISPRS Journal of Photogrammetry and Remote Sensing