Attention auto-supervisée temporelle légère pour la classification de séries temporelles d'images satellitaires

L’accès croissant et la précision croissante des données satellitaires d’observation de la Terre offrent des opportunités considérables aux acteurs industriels comme aux entités étatiques. Cela exige toutefois des méthodes efficaces capables de traiter des séries temporelles à l’échelle mondiale. S’appuyant sur des travaux récents utilisant des mécanismes d’attention auto-associative à plusieurs têtes pour classer des séquences de télédétection, nous proposons une modification de l’encodeur d’attention temporelle. Dans notre architecture, les canaux des entrées temporelles sont répartis entre plusieurs têtes d’attention compactes fonctionnant en parallèle. Chaque tête extrait des caractéristiques temporelles hautement spécialisées, qui sont ensuite concaténées pour former une seule représentation. Notre approche surpasse d’autres algorithmes de classification de séries temporelles d’avant-garde sur un jeu de données d’images satellitaires à accès ouvert, tout en utilisant significativement moins de paramètres et une complexité computationnelle réduite.