图神经网络从 Sentinel-2 影像序列提取高分辨率耕地地图
计算机视觉与模式识别
2022-08-05 v1 机器学习
图像与视频处理
摘要
通过优化农业管理实践来维持农场可持续性，有助于构建对地球更友好的环境。新兴卫星任务可获取多光谱与高光谱影像，捕获关于被扫描区域更细致的光谱信息，从而让我们在农业应用的分析过程中受益于微妙的光谱特征。我们引入一种从 10 m Sentinel-2 多光谱影像序列提取 2.5 m 耕地地图的方法，其得益于一种紧凑的图卷积神经网络。实验表明，我们的模型不仅通过提供更高质量的分割图而优于经典与深度机器学习技术，而且与 U-Nets 相比大幅减少了内存占用（我们的模型可训练参数约 8k，而 U-Nets 多达 31M）。此类内存节俭在那些允许我们将模型在入轨后上链至 AI 驱动卫星的任务中至关重要，因为受时间限制发送大型网络是不可能的。
引用
@article{arxiv.2208.02349,
title = {Graph Neural Networks Extract High-Resolution Cultivated Land Maps from Sentinel-2 Image Series},
author = {Lukasz Tulczyjew and Michal Kawulok and Nicolas Longépé and Bertrand Le Saux and Jakub Nalepa},
journal= {arXiv preprint arXiv:2208.02349},
year = {2022}
}
备注
7 pages (including supplementary material), published in IEEE Geoscience and Remote Sensing Letters