基于Sentinel-2数据时间特征学习与循环-卷积神经网络(R-CNN)的地表覆盖与作物分类改进
计算机视觉与模式识别
2020-05-06 v2 机器学习
图像与视频处理
摘要
以Sentinel-2为代表的全球可用卫星影像在空间与时间分辨率上的不断提升，为研究者利用自由获取的多光谱光学影像（具备十米级空间分辨率与更高重访频率）开展遥感应用（如地表覆盖与作物分类（LC&CC）、农业监测与管理、环境监测）创造了新可能。现有农田制图方案可分为基于像元与面向对象两类。然而，当在大规模场景下考虑更多农作物类别时，仍具挑战。本文基于意大利中北部（以经济作物类型为主的多样农业系统）的多时相Sentinel-2影像，利用循环神经网络（RNN）与卷积神经网络（CNN）相结合，开发并实现了一种新颖且最优的基于像元的LC&CC深度学习模型。所提方法能够通过学习多幅影像的时间相关性实现自动特征提取，从而减少人工特征工程并建模作物物候阶段。本研究考虑了包括主要农作物在内的15个类别。我们还测试了其他广泛使用的传统机器学习算法用于对比，如支持向量机SVM、随机森林（RF）、核SVM与梯度提升机（亦称XGBoost）。我们提出的像素R-CNN取得了96.5%的总体精度，较现有主流方法显示出显著提升。本研究表明，基于像素R-CNN的模型为多时相分类任务中评估与利用时间序列数据提供了一种高精度途径。
引用
@article{arxiv.2004.12880,
title = {Improvement in Land Cover and Crop Classification based on Temporal Features Learning from Sentinel-2 Data Using Recurrent-Convolutional Neural Network (R-CNN)},
author = {Vittorio Mazzia and Aleem Khaliq and Marcello Chiaberge},
journal= {arXiv preprint arXiv:2004.12880},
year = {2020}
}