卫星影像时间序列的递归分类：一种土地覆盖制图应用
图像与视频处理
2024-09-10 v4
摘要
尽管关于土地覆盖制图的遥感应用文献广泛且高分辨率卫星影像可得，但用于实时持续更新分类图的方法仍然有限，尤其在训练数据稀缺时。本文提出递归贝叶斯分类器（RBC），它通过一个对无信息图像变化具有韧性的概率框架，将任意瞬时分类器转化为鲁棒的在线方法。使用 Sentinel-2 数据进行了三个实验：加州 Oroville 水坝与马萨诸塞州查尔斯河流域的水体制图，以及亚马逊森林砍伐检测。RBC 被应用于高斯混合模型（GMM）、逻辑回归（LR）以及我们提出的谱指数分类器（SIC）。结果表明，在多时相设置下面对云覆盖和蓝藻水华等挑战性条件时，RBC 显著增强了分类器的鲁棒性。具体而言，在水体制图中 SIC、GMM 和 LR 的平衡分类精度分别提升达 26.95%、12.4% 和 13.81%，在森林砍伐检测中分别提升 15.25%、14.17% 和 14.7%。此外，在无额外训练数据的情况下，RBC 将 SOTA 的 DeepWaterMap 和 WatNet 算法性能分别提升达 9.62% 和 11.03%。RBC 在提供这些益处的同时仅需极少监督，且保持低计算成本——每个时间步的成本恒定，与时间序列长度无关。
引用
@article{arxiv.2301.01796,
title = {Recursive classification of satellite imaging time-series: An application to land cover mapping},
author = {Helena Calatrava and Bhavya Duvvuri and Haoqing Li and Ricardo Borsoi and Edward Beighley and Deniz Erdogmus and Pau Closas and Tales Imbiriba},
journal= {arXiv preprint arXiv:2301.01796},
year = {2024}
}
备注
Without supplemental results: 31 pages, 16 figures, 5 tables. With supplemental results: 35 pages, 20 figures, 5 tables