Pixel-wise Agricultural Image Time Series Classification: Comparisons and a Deformable Prototype-based Approach

要約

衛星による地球観測の改善により、これまで以上に高い時間的および空間的解像度の画像が可能になります。
このデータを農業モニタリングに活用することは、環境および経済の課題に対処するための鍵となります。
時系列データを使用した作物セグメンテーションの現在の方法は、注釈付きデータに依存しているか、監督の欠如を補うために大幅に設計されています。
このホワイト ペーパーでは、衛星画像時系列 (SITS) の教師ありと教師なしの両方のピクセル単位のセグメンテーションのデータセットと方法を提示し、比較します。
また、K-means や Nearest Centroid Classifier (NCC) などの古典的なプロトタイプベースの方法に、スペクトル変形と時間シフトに不変性を追加するアプローチも紹介します。
このシンプルで高度に解釈可能な方法が、教師あり設定と教師なし設定の両方で意味のある結果をもたらし、4 つの最近の SITS データセットでの農業時系列の教師なし分類の最先端を大幅に改善することを示します。

要約(オリジナル)

Improvements in Earth observation by satellites allow for imagery of ever higher temporal and spatial resolution. Leveraging this data for agricultural monitoring is key for addressing environmental and economic challenges. Current methods for crop segmentation using temporal data either rely on annotated data or are heavily engineered to compensate the lack of supervision. In this paper, we present and compare datasets and methods for both supervised and unsupervised pixel-wise segmentation of satellite image time series (SITS). We also introduce an approach to add invariance to spectral deformations and temporal shifts to classical prototype-based methods such as K-means and Nearest Centroid Classifier (NCC). We show this simple and highly interpretable method leads to meaningful results in both the supervised and unsupervised settings and significantly improves the state of the art for unsupervised classification of agricultural time series on four recent SITS datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google