Application of LSTM architectures for next frame forecasting in Sentinel-1 images time series - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2020

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

Waytehad Rose Moskolaï
  • Fonction : Auteur
  • PersonId : 1076193
Dina Taiwe Kolyang
  • Fonction : Auteur
  • PersonId : 1038926

Résumé

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.
Fichier principal
Vignette du fichier
CARI2020-11.pdf (1.77 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)
Loading...

Dates et versions

hal-02926060 , version 1 (31-08-2020)

Identifiants

  • HAL Id : hal-02926060 , version 1

Citer

Waytehad Rose Moskolaï, Wahabou Abdou, Albert Dipanda, Dina Taiwe Kolyang. Application of LSTM architectures for next frame forecasting in Sentinel-1 images time series. CARI 2020 - Colloque Africain sur la Recherche en Informatique et en Mathématiques Appliquées, Oct 2020, Thiès, Senegal. ⟨hal-02926060⟩
167 Consultations
1141 Téléchargements

Partager

Gmail Facebook X LinkedIn More