用于改进卫星图像时间序列分类的改进型VAE
计算机视觉与模式识别
2022-03-31 v1 机器学习
摘要
空间与时间高分辨率卫星图像时间序列（SITS）在作物类型制图方面的空前可用性被认为需要深度学习架构来应对来自两个维度的挑战。近期最先进的深度学习模型通过堆叠空间与时间编码器展现出有前景的结果。然而，我们提出一种金字塔时间序列Transformer（PTST），其仅在时间维度上操作，即忽略空间维度，能够以大幅降低的GPU显存消耗和易扩展性产生更优结果。此外，我们将其增强以执行半监督学习，提出一种分类友好的VAE框架，该框架将聚类机制引入潜空间并能促进其中的线性可分性。因此，潜空间的少数主轴线即可解释原始数据的大部分方差。同时，所提改进下的VAE框架在仅使用标注数据时，能保持与其纯判别对应模型相当的分类性能。我们希望所提框架因其模块化与简洁性可作为SITS作物分类的基线。
引用
@article{arxiv.2203.16149,
title = {Tampered VAE for Improved Satellite Image Time Series Classification},
author = {Xin Cai and Yaxin Bi and Peter Nicholl},
journal= {arXiv preprint arXiv:2203.16149},
year = {2022}
}