基于序列递归编码器的多时相土地覆盖分类
计算机视觉与模式识别
2018-04-10 v4
摘要
地球观测（EO）传感器以每日或每周时间分辨率提供数据。然而，多数土地利用与土地覆盖（LULC）方法期望无云且单时相观测。当今传感器日益增强的时间能力使得除光谱与空间特征外还能利用时间特征。诸如语音识别或神经机器翻译等领域处理固有时间数据，如今使用序列编码器-解码器结构取得令人瞩目结果。受这些序列到序列模型启发，我们调整带卷积递归层的编码器结构，以基于 Sentinel 2（S2）图像时间序列近似植被类的物候模型。实验中，我们在含云与无云图像序列上可视化内部激活，发现若干递归单元可降低云观测的输入活跃度。因此，我们假定网络仅从输入数据学到了云滤波方案，可缓解许多 EO 方法将繁琐云滤波作为预处理步骤的需要。此外，使用未滤波的大气层顶（TOA）反射率时间序列，我们在实验中以极少预处理对其他分类方法实现了大量作物类的最先进分类精度。
引用
@article{arxiv.1802.02080,
title = {Multi-Temporal Land Cover Classification with Sequential Recurrent Encoders},
author = {Marc Rußwurm and Marco Körner},
journal= {arXiv preprint arXiv:1802.02080},
year = {2018}
}