Panoptic Segmentation of Satellite Image Time Series (速读）

熬夜伤身体啊！、

累了就歇歇吧

这波速读可是卡着时间来的，20min

中间那个图可真是难懂，前几天读的那几篇感觉就是自己设计了一个网络嘛，这波是什么卫星图像的，以前也没咋接触过

但是难说以后会遇见什么

读吧！

abstract

• 提出了第一种端到端、单阶段的卫星图像时间序列(SITS)的全光分割方法，基于时间注意力机制
  （一开始还不说这个方法叫什么名字…）
• 提出了PASITS数据集
  (一开始想错了，以为这是哪来的一个数据集，没想到就是他们提出了一个专门为这个的数据集。。）、

method

时空编码

作者提出了U-TAE（U-Net with Temporal Attention Encoder），一种结合了多尺度空间卷积和时间自注意力机制的时空编码器

这个图主要就是讲这个时空编码的。

底下分为时间编码，空间编码和空间解码。

（精读的时候得把这块好好看看了，这块感觉变化挺多了，是本文的精华）

全景分隔

提出了PaPs（Parcels-as-Points），第一个端到端的SITS的全景分割方法

中心点探测：

通过预测中心热图进行地块探测

实验

这里因为数据集是作者提出的，所以还是看看数据集吧

语义分隔实验

U-TAE有L=4个分辨率等级，L-TAE有G=16个头。在语义分割任务中，将有最高分辨率特征图d1设为有K个通道，K是类别的个数。然后作者将d1解释为像素级预测，该预测的损失函数是交叉熵损失函数，在这里没有使用PaPs的模块。

消融实验

全景分隔实验

我们使用相同的U-TAE配置实现全景分割，加上一个PaPs模块和16×16的形状patch。作者用分割质量（SQ）、识别质量（RQ）和全景质量（PQ）来判断效果。

conclusion

作者介绍了时空编码器U-TAE，与第一个SITS上的全景分割框架PaPs组合，在第一个大规模全景SITS数据集PASTIS上进行评估，作者的方法明显优于所有其他语义分割方法。

（这里跟前面对上了，我觉得这个方法就是这个U-TAE,然后可以很好结合PaPs,所以一开始说一种很好的SITS方法）

嘤嘤嘤，本次速读，还是第一遍没有读明白（我觉得可能要面试的话，也会让你说原理实现。。。）

所以现在还是不够，，大约练练的话，就是中间那一些公式需要耗费很长的时间，，，但是感觉还是孰能生巧吧。

加油呀宝~