模型无关的温度感知采样增强深度学习跨年份作物映射
计算机视觉与模式识别
2025-07-18 v3 图像与视频处理
摘要
利用光学卫星时间序列进行作物类型分类在跨季节泛化方面仍然受限，特别是当作物物候因年际天气变化而发生偏移时。这在当前年份标签不可用的场景下阻碍了实际应用。此外，不确定性量化常被忽视，降低了此类方法用于作物监测操作的可靠性。受植物生长生态生理学原理的启发，我们提出了一种简单、模型无关的基于热时间的时序采样（T3S）方法，用热时间替代日历时间。通过以这种生物学有意义的方式对时间序列进行子采样，我们的方法突出了生长季内的关键时期，同时减少了时间冗余和噪声。我们在覆盖瑞士全境的多年 Sentinel-2 数据集上评估了 T3S，这使我们能够在未见年份上评估所有应用的方法。与最先进的基线相比，我们的方法在分类准确率上取得了显著提升，并且关键的是，提供了经过良好校准的不确定性估计。此外，T3S 方法在低数据条件下表现优异，使得早季分类更加准确。仅使用 10% 的训练标签，它就在准确率和不确定性校准两方面优于当前基线，到 6 月底时，其性能已达到全季基线模型的水平。
引用
@article{arxiv.2506.12885,
title = {Model-Agnostic, Temperature-Informed Sampling Enhances Cross-Year Crop Mapping with Deep Learning},
author = {Mehmet Ozgur Turkoglu and Selene Ledain and Helge Aasen},
journal= {arXiv preprint arXiv:2506.12885},
year = {2025}
}
备注
under review