Skip to Main content Skip to Navigation
Conference papers

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

Abstract : 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.
Complete list of metadata

Cited literature [16 references]  Display  Hide  Download

https://hal.archives-ouvertes.fr/hal-02926060
Contributor : Waytehad Rose Moskolai Connect in order to contact the contributor
Submitted on : Monday, August 31, 2020 - 12:33:24 PM
Last modification on : Wednesday, November 3, 2021 - 8:51:52 AM
Long-term archiving on: : Tuesday, December 1, 2020 - 12:24:12 PM

File

CARI2020-11.pdf
Files produced by the author(s)

Identifiers

  • HAL Id : hal-02926060, version 1

Citation

Waytehad 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⟩

Share

Metrics

Les métriques sont temporairement indisponibles