学习卫星图像时间序列的解耦表示
计算机视觉与模式识别
2019-03-22 v1 机器学习
摘要
在本文中，我们研究如何借助大量无标签数据以无监督方式学习卫星图像时间序列的合适表示。此外，我们旨在将时间序列的表示解耦为两种表示：一个捕获时间序列各图像间共同信息的共享表示，以及一个包含时间序列每幅图像特定信息的独占表示。为解决这些问题，我们提出了一种将称为跨域自编码器的新型组件与变分自编码器（VAE）和生成对抗网络（GAN）方法相结合的模型。为学习时间序列的解耦表示，我们的模型学习多模态图像到图像的翻译任务。我们使用来自 Sentinel-2 任务的卫星图像时间序列训练模型。我们进行了若干实验以评估所获得的表示。我们表明这些解耦表示可非常有助于执行多种任务，如图像分类、图像检索、图像分割与变化检测。
引用
@article{arxiv.1903.08863,
title = {Learning Disentangled Representations of Satellite Image Time Series},
author = {Eduardo Sanchez and Mathieu Serrurier and Mathias Ortner},
journal= {arXiv preprint arXiv:1903.08863},
year = {2019}
}