RapidAI4EO：用于更新 CORINE 土地覆盖产品的单时相与多时相深度学习模型
计算机视觉与模式识别
2022-10-27 v1
摘要
在遥感领域，利用卫星图像进行土地利用与土地覆盖（LULC）分类是当前研究活动的主要焦点。然而，准确且合适的 LULC 分类仍然是一项具有挑战性的任务。在本文中，我们在 RapidAI4EO 数据集上使用监督学习评估了多时相（月时间序列）与单时相（单一时间步长）卫星图像在多标签分类中的性能。作为第一步，我们在单一时间步长的图像上训练 CNN 模型进行多标签分类，即单时相分类。我们使用 LSTM 模型引入时间序列图像，以评估来自卫星的多时相信号是否能改善 CLC 分类。结果表明，在月时间序列图像上使用多时相方法对 15 个类别的卫星图像进行分类，相比单时相方法提升了约 0.89%。利用多时相或单时相图像的特征，这项工作朝着高效的变更检测与土地监测方法迈进了一步。
引用
@article{arxiv.2210.14624,
title = {RapidAI4EO: Mono- and Multi-temporal Deep Learning models for Updating the CORINE Land Cover Product},
author = {Priyash Bhugra and Benjamin Bischke and Christoph Werner and Robert Syrnicki and Carolin Packbier and Patrick Helber and Caglar Senaras and Akhil Singh Rana and Tim Davis and Wanda De Keersmaecker and Daniele Zanaga and Annett Wania and Ruben Van De Kerchove and Giovanni Marchisio},
journal= {arXiv preprint arXiv:2210.14624},
year = {2022}
}
备注
Published in IGARSS 2022 - 2022 IEEE International Geoscience and Remote Sensing Symposium