基于热位置编码的卫星图像时间序列广义分类
计算机视觉与模式识别
2022-06-15 v2 机器学习
摘要
大规模作物类型分类是遥感工作的核心任务，具有经济与生态双重重要应用。当前最先进的深度学习方法基于自注意力，并利用卫星图像时间序列（SITS）依据作物独特的生长模式区分类型。然而，现有方法对训练时未见过区域的泛化能力较差，主要原因在于其对因气候差异导致的生长季时间偏移不够鲁棒。为此，我们提出面向基于注意力的作物分类器的热位置编码（TPE）。与以往基于日历时间（如年积日）的位置编码不同，TPE 基于热时间，即通过对生长季内每日平均温度累加获得。由于作物生长直接关联热时间而非日历时间，TPE 解决了不同区域间的时间偏移以提升泛化能力。我们提出了多种 TPE 策略，包括可学习方法，以相比常见的固定位置编码进一步改善结果。我们在跨越四个不同欧洲区域的作物分类任务上验证了方法，取得了最先进的泛化结果。
引用
@article{arxiv.2203.09175,
title = {Generalized Classification of Satellite Image Time Series with Thermal Positional Encoding},
author = {Joachim Nyborg and Charlotte Pelletier and Ira Assent},
journal= {arXiv preprint arXiv:2203.09175},
year = {2022}
}
备注
In proceedings of the 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshops