基于卷积时序注意力网络的卫星图像时间序列全景分割
计算机视觉与模式识别
2022-06-28 v4
摘要
对多时相卫星影像前所未有的获取途径为各种地球观测任务开辟了新的视角。其中，农业地块的像素级全景分割具有重大的经济和环境意义。尽管研究者已针对单幅图像探索了该问题，我们认为作物物候的复杂时间模式更适合用时相图像序列来处理。在本文中，我们提出了首个用于卫星图像时间序列（SITS）全景分割的端到端、单阶段方法。该模块可与我们新颖的图像序列编码网络相结合，该网络依赖时序自注意力来提取丰富且自适应的多尺度时空特征。我们还引入了 PASTIS，首个带有全景标注的开放获取 SITS 数据集。我们证明了我们的编码器在语义分割上优于多种竞争架构，并确立了 SITS 全景分割的首个最先进水平。我们的实现与 PASTIS 均已公开可用。
引用
@article{arxiv.2107.07933,
title = {Panoptic Segmentation of Satellite Image Time Series with Convolutional Temporal Attention Networks},
author = {Vivien Sainte Fare Garnot and Loic Landrieu},
journal= {arXiv preprint arXiv:2107.07933},
year = {2022}
}
备注
Accepted at ICCV2021, PASTIS Dataset available at https://github.com/VSainteuf/pastis-benchmark, PyTorch implementation at https://github.com/VSainteuf/utae-paps