RapidAI4EO: Mono- and Multi-temporal Deep Learning models for Updating the CORINE Land Cover Product

要約

リモート センシング コミュニティでは、衛星画像を使用した土地利用土地被覆 (LULC) 分類が現在の研究活動の主な焦点となっています。
ただし、正確で適切な LULC 分類は、依然として困難な作業です。
このホワイト ペーパーでは、RapidAI4EO データセットでの教師あり学習を使用したマルチラベル分類について、単一時間 (単一時間ステップ) の衛星画像と比較して、多時間 (月次時系列) のパフォーマンスを評価します。
最初のステップとして、マルチラベル分類、つまり単一時間分類のために、単一の時間ステップで画像の CNN モデルをトレーニングしました。
LSTMモデルを使用して時系列画像を組み込み、衛星からの多時間信号がCLC分類を改善するかどうかを評価しました。
この結果は、単一時間アプローチと比較して、月間時系列画像に対する多時間アプローチを使用して 15 クラスの衛星画像を分類する際に、約 0.89% の改善を示しています。
多時期または単時期の画像の特徴を使用するこの作業は、効率的な変化の検出と土地の監視アプローチへの一歩です。

要約(オリジナル)

In the remote sensing community, Land Use Land Cover (LULC) classification with satellite imagery is a main focus of current research activities. Accurate and appropriate LULC classification, however, continues to be a challenging task. In this paper, we evaluate the performance of multi-temporal (monthly time series) compared to mono-temporal (single time step) satellite images for multi-label classification using supervised learning on the RapidAI4EO dataset. As a first step, we trained our CNN model on images at a single time step for multi-label classification, i.e. mono-temporal. We incorporated time-series images using a LSTM model to assess whether or not multi-temporal signals from satellites improves CLC classification. The results demonstrate an improvement of approximately 0.89% in classifying satellite imagery on 15 classes using a multi-temporal approach on monthly time series images compared to the mono-temporal approach. Using features from multi-temporal or mono-temporal images, this work is a step towards an efficient change detection and land monitoring approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google