基于卫星图像序列的大区域大规模无监督时空语义分析
计算机视觉与模式识别
2024-02-15 v3 机器学习
摘要
卫星图像的时间序列构成了分析感兴趣区域的极有价值且丰富的资源。然而，由于诸如缺乏精确标注数据、地形实体的定义与变异性，或图像本身及其融合的固有复杂性等不同因素，大规模知识的自动获取是一项具有挑战性的任务。在此背景下，我们提出了一种完全无监督且通用的 methodology，用于从卫星图像序列中对大区域进行时空分类。我们的方法依赖于深度嵌入与时间序列聚类的结合，以捕捉地面的语义属性及其随时间演化，从而提供对感兴趣区域的全面理解。所提出的方法通过一种专门设计的新型流程得到增强，该流程用于精炼嵌入并挖掘潜在的时空模式。我们使用该方法在西班牙北部一块 220 km 的区域上以不同设置进行了深入分析。结果提供了一个广阔且直观的土地视角，其中大面积区域以紧凑且结构良好的方式相连，主要基于气候、植物学和 hydrological 因素。
引用
@article{arxiv.2208.13504,
title = {Large-scale unsupervised spatio-temporal semantic analysis of vast regions from satellite images sequences},
author = {Carlos Echegoyen and Aritz Pérez and Guzmán Santafé and Unai Pérez-Goya and María Dolores Ugarte},
journal= {arXiv preprint arXiv:2208.13504},
year = {2024}
}