Deep Learning for Time-Series Analysis of Optical Satellite Imagery
Abstrak
Progres signifikan telah dicapai dalam pembelajaran mendalam (deep learning) untuk data pengamatan Bumi dalam beberapa waktu terakhir. Namun, aplikasi multi-temporal dari citra satelit seperti deteksi perubahan dan pertanian masih menghadapi hambatan dataset. Hal ini tidak hanya menghambat kinerja pelatihan tetapi juga mencegah protokol evaluasi yang terstandarisasi dan transparan. Dalam tesis kumulatif ini, saya mencakup empat makalah yang bertujuan untuk meningkatkan ketersediaan dataset dan memanfaatkan sumber daya ini untuk inovasi metodologis dalam deteksi perubahan. Kontribusi ini dibagi menjadi dua bagian. Yang pertama memperkenalkan DENETHOR dan DynamicEarthNet, dua dataset landmark dengan data kebenaran lapangan berkualitas tinggi untuk pemantauan pertanian dan deteksi perubahan. Eksperimen baseline pada kedua dataset menunjukkan perlunya metode yang disesuaikan karena metode saat ini tampaknya tidak mampu menggunakan resolusi temporal dan spasial tinggi data secara efektif.
Kedua, saya memperkenalkan SiROC dan SemiSiROC, dua kontribusi metodologis untuk deteksi perubahan yang efisien dalam pelabelan. SiROC adalah metode tanpa pengawasan yang didasarkan pada analisis lingkungan tetangga untuk deteksi perubahan biner dalam citra optik. SiROC tampil kompetitif pada empat dataset dari berbagai aplikasi deteksi perubahan. Dengan SemiSiROC, saya memanfaatkan ukuran kepercayaan yang cerdas yang terdapat di dalam SiROC untuk pelabelan semu dari adegan yang tidak berlabel. Ukuran kepercayaan ini memungkinkan prioritasisasi adegan yang relevan untuk pelatihan awal metode deteksi perubahan berbasis pembelajaran mendalam dengan label semu. Kemudian, label yang sebenarnya dapat disisihkan untuk penyempurnaan model lebih lanjut. Secara keseluruhan, hasil kami menunjukkan bahwa pipeline semi-supervised ini secara signifikan meningkatkan kinerja keseluruhan untuk semua metode yang kami eksplorasi. Temuan ini tahan terhadap berbagai studi ablation dan menekankan bagaimana keunggulan metode tradisional dan pembelajaran mendalam dapat digabungkan untuk memaksimalkan kinerja deteksi perubahan.
