利用无损压缩器从多光谱时间序列进行低资源作物分类

深度学习显著提高了利用多光谱时间序列数据进行作物分类的准确性。然而，这些模型结构复杂、参数众多，需要大量数据和昂贵的训练。在标记样本较少的低资源情况下，深度学习模型由于数据不足而表现不佳。相反，压缩器与数据类型无关，非参数方法不引入潜在假设。受此启发，我们提出了一种无需训练的深度学习模型替代方案，旨在应对这些情况。具体来说，提出了符号表示模块，将反射率转换为符号表示。然后，符号表示在通道和时间维度上进行交叉变换，以生成符号嵌入。接下来，设计了多尺度归一化压缩距离，用于测量任意两个符号嵌入之间的相关性。最后，基于多尺度归一化压缩距离，仅使用k近邻分类器即可实现高质量的作物分类。整个框架即开即用且轻量级。无需任何训练，它在三个基准数据集上平均优于7个经过大规模训练的先进深度学习模型。在稀疏作物标签的少样本设置中，它也优于其中超过一半的模型。因此，我们无训练框架的高性能和鲁棒性使其真正适用于现实世界的作物制图。代码可在以下网址获取：https://github.com/qinfengsama/Compressor-Based-Crop-Mapping。