利用基于图块的循环神经网络从多时相多光谱遥感影像中进行土地覆盖分类
计算机视觉与模式识别
2018-06-05 v1
摘要
全球环境的可持续性依赖于大范围准确的土地覆盖信息。尽管获取具有改进的光谱、空间、辐射和时间特性的数据的卫星系统和传感器数量不断增加，且出台了新的数据分发政策，但大多数现有的土地覆盖数据集仍源自基于像素的单日期多光谱遥感影像，精度较低。为了提高精度，瓶颈在于如何开发一种准确有效的图像分类技术。通过整合和利用遥感图像中完整的多光谱、多时相和空间信息，并考虑其固有的空间和序列相互依赖性，我们提出了一种专为多时相遥感数据量身定制的新型基于图块的 RNN（PB-RNN）系统。该系统的设计融合了多时相遥感数据的独特特征。具体而言，它使用多时相-光谱-空间样本，并处理多时相数据序列中受云/阴影污染的像素。使用覆盖 771 平方公里的佛罗里达大沼泽地生态系统研究站点，所提出的 PB-RNN 系统在分类精度上比基于像素的 RNN 系统、基于像素的单影像 NN 系统、基于像素的多影像 NN 系统、基于图块的单影像 NN 系统和基于图块的多影像 NN 系统取得了显著改善。例如，所提出的系统实现了 97.21% 的分类精度，而基于像素的单影像 NN 系统仅实现了 64.74%。我们相信，通过利用如所提出的 PB-RNN 之类的方法，可以高效地生成大范围上更加准确的土地覆盖数据集。
引用
@article{arxiv.1708.00813,
title = {Land Cover Classification from Multi-temporal, Multi-spectral Remotely Sensed Imagery using Patch-Based Recurrent Neural Networks},
author = {Atharva Sharma and Xiuwen Liu and Xiaojun Yang},
journal= {arXiv preprint arXiv:1708.00813},
year = {2018}
}