A Comparative Assessment of Multi-view fusion learning for Crop Classification

要約

リモート センシング (RS) データ ソースの量と多様性が急速に増加しているため、マルチビュー学習モデリングの必要性が高まっています。
RS データの解像度、大きさ、ノイズの違いを考慮すると、これは複雑な作業になります。
複数の RS ソースをマージするための典型的なアプローチは入力レベルの融合ですが、他のより高度な融合戦略はこの従来のアプローチを上回る可能性があります。
この研究では、CropHarvest データセットにおける作物分類のためのさまざまな融合戦略を評価します。
この研究で提案された融合手法は、個別のビューや以前の融合手法に基づいたモデルよりも優れたパフォーマンスを発揮します。
他のすべてのアプローチを常に上回る単一の融合手法は見つかりません。
代わりに、3 つの異なるデータセットに対するマルチビュー フュージョン手法の比較を示し、テスト領域に応じて、異なる手法が最高のパフォーマンスを得ることができることを示します。
それにもかかわらず、我々は融合方法の選択のための予備的な基準を提案します。

要約(オリジナル)

With a rapidly increasing amount and diversity of remote sensing (RS) data sources, there is a strong need for multi-view learning modeling. This is a complex task when considering the differences in resolution, magnitude, and noise of RS data. The typical approach for merging multiple RS sources has been input-level fusion, but other – more advanced – fusion strategies may outperform this traditional approach. This work assesses different fusion strategies for crop classification in the CropHarvest dataset. The fusion methods proposed in this work outperform models based on individual views and previous fusion methods. We do not find one single fusion method that consistently outperforms all other approaches. Instead, we present a comparison of multi-view fusion methods for three different datasets and show that, depending on the test region, different methods obtain the best performance. Despite this, we suggest a preliminary criterion for the selection of fusion methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google