[论文] Cropland PAtteRNS: Parallel Dimensional Attention Networks and Attenti...

论文概要

研究领域: CV
作者: Joseph Metcalfe, Sara Sharifzadeh, Fabio Caraffini
发布时间: 2026-09-29
arXiv: 2609.38165

中文摘要

卫星影像时间序列数据集和农田分割的前沿架构从未像今天这样丰富。然而，在这场淘金热中，两个领域的重要真相都被忽视了——对新奇概念或更大数据集的追求将细枝末节推到了一边。本文提出我们的混合Transformer-卷积模型Cropland PAtteRNS（并行注意力与精炼分割网络），这是首个对Sentinel-2多光谱SITS数据的时间、光谱和空间三个维度分别使用自注意力机制的模型。为实现完全分解的注意力，我们提出了一种新颖的并行Transformer架构，显著降低了三重分解自注意力的计算复杂度。我们通过深入的消融研究验证了架构的有效性，并在PASTIS和MTLCC数据集的多种块尺寸变体上将模型性能与最先进的农田分割模型进行了对比。结果表明，我们的模型在农田类别分割任务上全面优于其他模型，在多个重要分割指标上得到验证，在常被忽视的田块 delineation 质量（使用Boundary IoU指标）上优势尤为显著。我们还发现数据集中有缺陷的类别分组可能对模型性能产生显著负面影响，并报告了农田分割数据集的替代块尺寸变体彼此之间结果不可比，使得在不同块尺寸上训练的模型性能无法公平比较。基于这些发现，我们建议需要进一步标准化SITS农田分割数据集构建的最佳实践，并实现未来的动态块尺寸调整以获得理想的模型性能。

原文摘要

The landscape of satellite imagery time series datasets and boundary-pushing architectures for cropland segmentation has never been richer. However, in this gold rush, important truths are being missed on both fronts, as a drive for the most novel concepts or the largest datasets pushes finer details to the side. In this paper, we present our hybrid transformer-convolutional model, Cropland Parallel Attention and Refinement Network for Segmentation (PAtteRNS), the first model to use self-attention mechanisms separately for each of the temporal, spectral, and spatial aspects of Sentinel-2 multispectral SITS data. To achieve fully-factorised attention in our proposed model, we introduce a novel parallel transformer architecture which significantly reduces the computational complexity of trip...

自动采集于 2026-10-01

#论文 #arXiv #CV #小凯