面向多源土地覆盖制图的细粒度分类
计算机视觉与模式识别
2020-04-07 v1
摘要
如今,人们普遍认同需要更好地刻画农业监测系统以应对全球变化。及时且准确的土地利用/土地覆盖制图可通过在精细尺度上提供有用信息来支持这一愿景。本文提出一种深度学习方法,在对象级别处理多源土地覆盖制图。该方法基于循环神经网络的一个扩展,并通过专用于多时相数据上下文的注意力机制加以增强。此外,引入了一种新的分层预训练策略,旨在利用土地覆盖类别内分层关系下可用的特定领域知识。在留尼汪岛(法国海外省)进行的实验表明,相较于遥感标准土地覆盖制图方法,本提案具有显著优势。
引用
@article{arxiv.2004.01963,
title = {Fine grained classification for multi-source land cover mapping},
author = {Yawogan Jean Eudes Gbodjo and Dino Ienco and Louise Leroux and Roberto Interdonato and Raffaelle Gaetano},
journal= {arXiv preprint arXiv:2004.01963},
year = {2020}
}
备注
Paper presented at the ICLR 2020 Workshop on Computer Vision for Agriculture (CV4A)