利用层次化类别关系基于对象的多时相多源土地覆盖制图
机器学习
2019-11-21 v1 机器学习
摘要
欧洲卫星任务 Sentinel-1 (S1) 和 Sentinel-2 (S2) 分别以高空间分辨率和高重访周期提供雷达和光学影像，支持包括土地利用/土地覆盖制图在内的广泛地表监测任务。遥感界一个长期存在的挑战是如何高效利用多源信息并发挥其互补性。在此特定情况下，即充分利用雷达与光学卫星影像时间序列（SITS）。本文中，我们提出通过一个特别定制的深度学习框架来处理土地覆盖制图，以利用雷达和光学 SITS 提供的多源互补性。所提架构基于循环神经网络（RNN）的扩展，并通过定制注意力机制增强以适配 SITS 数据的特性。此外，我们提出了一种利用领域专家知识指导模型参数初始化的新预训练策略。在两个对比研究区涉及若干机器学习竞争方法的详尽实验评估，证明了我们的新注意力机制结合扩展 RNN 模型的适用性，以及将领域专家知识注入神经网络训练过程的收益与局限。
引用
@article{arxiv.1911.08815,
title = {Object-based multi-temporal and multi-source land cover mapping leveraging hierarchical class relationships},
author = {Yawogan Jean Eudes Gbodjo and Dino Ienco and Louise Leroux and Roberto Interdonato and Raffaele Gaetano and Babacar Ndao and Stephane Dupuy},
journal= {arXiv preprint arXiv:1911.08815},
year = {2019}
}