Application of LSTM architectures for next frame forecasting in Sentinel-1 images time series

Autor: Moskolaï, Waytehad, Abdou, Wahabou, Dipanda, Albert, Kolyang, Dina Taiwe
Přispěvatelé: University of Maroua (UMa), Laboratoire Electronique, Informatique et Image [UMR6306] (Le2i), Université de Bourgogne (UB)-École Nationale Supérieure d'Arts et Métiers (ENSAM), Arts et Métiers Sciences et Technologies, HESAM Université (HESAM)-HESAM Université (HESAM)-Arts et Métiers Sciences et Technologies, HESAM Université (HESAM)-HESAM Université (HESAM)-AgroSup Dijon - Institut National Supérieur des Sciences Agronomiques, de l'Alimentation et de l'Environnement-Centre National de la Recherche Scientifique (CNRS), Laboratoire d'Electronique, d'Informatique et d'Image [EA 7508] (Le2i), Université de Technologie de Belfort-Montbeliard (UTBM)-Université de Bourgogne (UB)-École Nationale Supérieure d'Arts et Métiers (ENSAM), MOSKOLAI, WAYTEHAD ROSE
Jazyk: angličtina
Rok vydání: 2020
Předmět:
[INFO.INFO-AI] Computer Science [cs]/Artificial Intelligence [cs.AI]
FOS: Computer and information sciences
Apprentissage profond
Computer Science - Machine Learning
Image and Video Processing (eess.IV)
[INFO.INFO-NE] Computer Science [cs]/Neural and Evolutionary Computing [cs.NE]
Prévision
Computer Science - Neural and Evolutionary Computing
Deep Learning Algorithms
Prédiction
[INFO.INFO-NE]Computer Science [cs]/Neural and Evolutionary Computing [cs.NE]
Electrical Engineering and Systems Science - Image and Video Processing
Land cover change
[INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI]
Machine Learning (cs.LG)
SARIMA
[INFO.INFO-TI] Computer Science [cs]/Image Processing [eess.IV]
[INFO.INFO-TI]Computer Science [cs]/Image Processing [eess.IV]
FOS: Electrical engineering
electronic engineering
information engineering
Satellite images
Neural and Evolutionary Computing (cs.NE)
LSTM
Prediction
Forecasting
Images satellitaires
Zdroj: CARI 2020-Colloque Africain sur la Recherche en Informatique et en Mathématiques Appliquées
CARI 2020-Colloque Africain sur la Recherche en Informatique et en Mathématiques Appliquées, Oct 2020, Thiès, Senegal
Popis: L'analyse prédictive permet d'estimer les tendances des évènements futurs. De nos jours, les algorithmes Deep Learning permettent de faire de bonnes prédictions. Cependant, pour chaque type de problème donné, il est nécessaire de choisir l'architecture optimale. Dans cet article, les modèles Stack-LSTM, CNN-LSTM et ConvLSTM sont appliqués à une série temporelle d'images radar sentinel-1, le but étant de prédire la prochaine occurrence dans une séquence. Les résultats expérimentaux évalués à l'aide des indicateurs de performance tels que le RMSE et le MAE, le temps de traitement et l'index de similarité SSIM, montrent que chacune des trois architectures peut produire de bons résultats en fonction des paramètres utilisés.
Predictive analytics allow to estimate future trends of events. Nowadays, Deep Learning algorithms allow making good predictions. However, it is necessary to choose the architecture that produces the most efficient results for each kind of problem. In this paper, the Stack-LSTM, the CNN-LSTM and the ConvLSTM models are applied to a time series of sentinel-1 radar images. The goal is to predict the next occurrence in a sequence of images. Experimental results are evaluated with performance metrics such as the RMSE and MAE loss, the processing time and the SSIM index. The values show that each of the three architectures can produce good results depending on used parameters.
Databáze: OpenAIRE
Externí odkaz: