Détail de l'autorité
|
AALTD 2020, Workshop on Advanced Analytics and Learning on Temporal Data 18/09/2020 18/09/2020 en ligne Belgique Proceedings Springer
nom du congrès :
AALTD 2020, Workshop on Advanced Analytics and Learning on Temporal Data
début du congrès :
18/09/2020
fin du congrès :
18/09/2020
ville du congrès :
en ligne
pays du congrès :
Belgique
site des actes du congrès :
|
Documents disponibles (1)
Ajouter le résultat dans votre panier Affiner la recherche Interroger des sources externesLightweight temporal self-attention for classifying satellite images time series / Vivien Sainte Fare Garnot (2020)
Titre : Lightweight temporal self-attention for classifying satellite images time series Type de document : Article/Communication Auteurs : Vivien Sainte Fare Garnot Editeur : Le Chesnay : Institut National de Recherche en Informatique et en Automatique INRIA Année de publication : 2020 Conférence : AALTD 2020, Workshop on Advanced Analytics and Learning on Temporal Data 18/09/2020 18/09/2020 en ligne Belgique Proceedings Springer Importance : 11 p. Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] attention (apprentissage automatique)
[Termes IGN] chaîne de traitement
[Termes IGN] efficacité
[Termes IGN] image Sentinel
[Termes IGN] série temporelleRésumé : (auteur) The increasing accessibility and precision of Earth observation satellite data offers considerable opportunities for industrial and state actors alike. This calls however for efficient methods able to process time series on a global scale. Building on recent work employing multi-headed self-attention mechanisms to classify remote sensing time sequences, we propose a modification of the Temporal Attention Encoderof Garnot et al.[5]. In our network, the channels of the temporal inputs are distributed among several compact attention heads operating in parallel. Each head extracts highly-specialized temporal features which arein turn concatenated into a single representation. Our approach outper-forms other state-of-the-art time series classification algorithms on an open-access satellite image dataset, while using significantly fewer parameters and with a reduced computational complexity. Numéro de notice : C2020-020 Affiliation des auteurs : UGE-LASTIG (2020- ) Autre URL associée : vers HAL/https://project.inria.fr/aaltd20/files/2020/08/AALTD_20_paper_SainteFareGarnot.pdf Thématique : IMAGERIE/INFORMATIQUE Nature : Poster nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.1007/978-3-030-65742-0_12 En ligne : https://doi.org/10.1007/978-3-030-65742-0_12 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=96458
