探究时序卷积神经网络用于卫星图像时间序列分类:一项综述
计算机视觉与模式识别
2023-04-21 v2 机器学习
摘要
地球表面的卫星图像时间序列(SITS)可提供详细的土地覆盖图,其在空间与时间维度上的质量持续提升。这些图像时间序列对于开发旨在生成准确、最新的地球表面土地覆盖图的系统不可或缺。应用范围广泛,显著例子包括生态系统制图、植被过程监测及人为土地利用变化追踪。近期提出的SITS分类方法已展现出可观价值,但这些方法往往缺乏利用数据时间维度的原生机制;通常导致大量数据预处理,造成训练时间长得难以接受。为克服这些不足,时序CNN近期被应用于SITS分类任务并取得了令人鼓舞的结果。本文试图将该方法与大量其他当代SITS分类方法进行综述对比,以验证近期文献中的已有发现。在两个基准SITS数据集上进行了综合实验,结果表明时序CNN在两个所研究的数据集上均表现出优于对比基准算法的性能,分别达到95.0%与87.3%的准确率。对时序CNN架构的探究也凸显了针对新数据集优化模型这一非平凡任务。
引用
@article{arxiv.2204.08461,
title = {Investigating Temporal Convolutional Neural Networks for Satellite Image Time Series Classification: A survey},
author = {James Brock and Zahraa S. Abdallah},
journal= {arXiv preprint arXiv:2204.08461},
year = {2023}
}
备注
24 pages (not inc. 6 pages for appendices and references), 8 figures, 15 tables. Submitted for publishing