像素级农业图像时间序列分类：对比与一种基于可变形原型的方法
计算机视觉与模式识别
2024-07-15 v2
摘要
卫星对地观测能力的提升使得影像的时间和空间分辨率不断提高。利用这些数据进行农业监测对于应对环境和经济挑战至关重要。当前利用时序数据进行作物分割的方法要么依赖标注数据，要么经过大量工程设计以弥补监督的不足。本文提出并比较了用于卫星图像时间序列（SITS）有监督与无监督像素级分割的数据集和方法。我们还引入了一种方法，为经典基于原型的方法（如 K-means 和最近质心分类器（NCC））增加光谱形变和时间偏移的不变性。我们研究了不同监督程度，表明这种简单且高度可解释的方法在低数据条件下取得了最佳性能，并显著改进了近期四个 SITS 数据集上农业时间序列无监督分类的 state of the art。
引用
@article{arxiv.2303.12533,
title = {Pixel-wise Agricultural Image Time Series Classification: Comparisons and a Deformable Prototype-based Approach},
author = {Elliot Vincent and Jean Ponce and Mathieu Aubry},
journal= {arXiv preprint arXiv:2303.12533},
year = {2024}
}
备注
Revised version. Added references and baselines. Corrected typos. Added discussion section and Appendix A, B and C