论文标题
LSTM架构在Sentinel-1图像时间序列中的下一个框架预测的应用
Application of LSTM architectures for next frame forecasting in Sentinel-1 images time series
论文作者
论文摘要
l'Analyse pr {é} dective permet d'ester les les倾向des {é} v {è} nement futurs。 de nos Jours，Les算法深度学习Permettent de faire de bonnes pr {é}命令。依赖的，倒入chaque type de probl {è} me donn {é}，il est n {é} cessaire de choisir l'Architecture Optimale。 dans cet文章，les mod {è} les stack-lstm，cnn-lstm et convlstm sont sont plantiqu {é} s {à} une s {une s {étemporeLle d'image d'image radar readar nimage radar sentinel-1，le but but de pr {é} Les r{é}sultats exp{é}rimentaux {é}valu{é}s {à} l'aide des indicateurs de performance tels que le RMSE et le MAE, le temps de traitement et l'index de similarit{é} SSIM, montrent que chacune des trois architectures peut produire de bons r {é} sultats en fonction des param {è} tres utilis {é} s。
L'analyse pr{é}dictive permet d'estimer les tendances des {é}v{è}nements futurs. De nos jours, les algorithmes Deep Learning permettent de faire de bonnes pr{é}dictions. Cependant, pour chaque type de probl{è}me donn{é}, il est n{é}cessaire de choisir l'architecture optimale. Dans cet article, les mod{è}les Stack-LSTM, CNN-LSTM et ConvLSTM sont appliqu{é}s {à} une s{é}rie temporelle d'images radar sentinel-1, le but {é}tant de pr{é}dire la prochaine occurrence dans une s{é}quence. Les r{é}sultats exp{é}rimentaux {é}valu{é}s {à} l'aide des indicateurs de performance tels que le RMSE et le MAE, le temps de traitement et l'index de similarit{é} SSIM, montrent que chacune des trois architectures peut produire de bons r{é}sultats en fonction des param{è}tres utilis{é}s.
