Classification de séries temporelles massives d'images satellitaires par des processus gaussiens variationnels parcimonieux et des descripteurs spatio-spectro-temporels
Résumé
This paper introduces an approach for land cover pixel-based classification from massive satellite image time series scale using Gaussian Processes. Sparse methods combined with variational inference allow the learning of large scale Gaussian Process. Using a spatiospectro-temporal covariance function can help to take into account all the structure of the data. Experimental results conducted on a national scale data-set show that our method is effective and close to several state-of-the-art approaches (random forest and deep learning methods).
Cet article présente une approche permettant la classification pixellaire de séries temporelles d'images satellites massives à partir de processus gaussiens. Notre modèle s'appuie sur des processus gaussiens variationnels parcimonieux associés à des fonctions de covariance spatio-spectro-temporelles. Les résultats expérimentaux réalisés sur un jeu de données à l'échelle nationale montrent que notre méthode est efficace et comparable à des approches de l'état de l'art (forêt d'arbres décisionnels et méthodes d'apprentissage profond).
Origine | Fichiers produits par l'(les) auteur(s) |
---|