La série temporelle d'images satellitaires fournit une base de données importante pour l'étude de la classification de la couverture terrestre. L'extraction des caractéristiques de classification temporelle à l'aide de l'apprentissage en profondeur a toujours été un sujet de recherche brûlant, tandis que les modèles d'apprentissage profond basés sur les réseaux récurrents et convolutionnels ont souvent du mal à obtenir des résultats de classification de grande précision sur de petits échantillons d'entraînement. Pour résoudre ce problème, cet article introduit les dernières méthodes de traitement du langage naturel dans le domaine de l'attention automatique pour la classification des séries temporelles multispectrales satellitaires. En améliorant l'encodeur Transformer : (1) ajout d'une couche d'élévation des caractéristiques avant l'attention multi-têtes, pour améliorer l'information spectrale; (2) utilisation de l'étirement après la réduction de dimension au lieu du maximum global poolin

Mécanisme d'attention ; Apprentissage profond ; Séries temporelles de données satellitaires ; Classification de la couverture terrestre ; Échantillons déséquilibrés