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

Abstract

L'analyse pr\'edictive permet d'estimer les tendances des \'ev\`enements futurs. De nos jours, les algorithmes Deep Learning permettent de faire de bonnes pr\'edictions. Cependant, pour chaque type de probl\`eme donn\'e, il est n\'ecessaire de choisir l'architecture optimale. Dans cet article, les mod\`eles Stack-LSTM, CNN-LSTM et ConvLSTM sont appliqu\'es \`a une s\'erie temporelle d'images radar sentinel-1, le but \'etant de pr\'edire la prochaine occurrence dans une s\'equence. Les r\'esultats exp\'erimentaux \'evalu\'es \`a l'aide des indicateurs de performance tels que le RMSE et le MAE, le temps de traitement et l'index de similarit\'e SSIM, montrent que chacune des trois architectures peut produire de bons r\'esultats en fonction des param\`etres utilis\'es.

Tasks

Reproductions