L'aprenentatge autosupervisat en teledetecció entrena models amb imatges de satèl·lit o aèries sense etiquetar mitjançant la creació de tasques de pretext, mentre que la classificació supervisada es basa en dades etiquetades per humans per ensenyar als models com categoritzar píxels o escenes. Ambdós enfocaments aborden la cartografia de la cobertura terrestre i la detecció d'objectes, però difereixen notablement en els requisits de dades, l'escalabilitat i la precisió del món real.
Un paradigma d'entrenament on els models aprenen representacions a partir de dades d'observació de la Terra sense etiquetar resolent tasques de pretext abans d'afinar les aplicacions posteriors.
Un enfocament tradicional d'aprenentatge automàtic on els models s'entrenen amb dades de teledetecció etiquetades manualment per assignar categories a píxels, objectes o escenes.
| Funcionalitat | Aprenentatge autosupervisat en teledetecció | Classificació supervisada |
|---|---|---|
| Dades etiquetades obligatòries | Mínim o cap per a la preformació | Conjunts de dades extensos i anotats per experts |
| Escalabilitat entre regions | Alt, transferències entre zones geogràfiques | Limitat, sovint específic per a cada regió |
| Cost de l'anotació | Baix, utilitza arxius d'imatges en brut | L'etiquetatge manual alt és car |
| Precisió aigües avall | Competitiu amb etiquetes limitades | Més alt quan les etiquetes són abundants |
| Càlcul d'entrenament | Preentrenament intensiu, ajustament fi lleuger | Moderat, escalable amb la mida del conjunt de dades |
| Gestió de classes rares | Millor, aprèn representacions àmplies | Més feble, necessita mostres equilibrades |
| Interpretabilitat | Les tasques de pretext inferiors són abstractes | Més amunt, es poden inspeccionar les regles de decisió |
| Maduresa en la producció | Fase emergent, majoritàriament de recerca | Madur, àmpliament desplegat operativament |
La classificació supervisada depèn de conjunts de dades acuradament etiquetats on cada exemple d'entrenament porta una etiqueta de veritat sobre el terreny. La producció d'aquestes etiquetes per a imatges d'alta resolució sovint requereix coneixements de SIG i pot costar des d'uns quants cèntims fins a diversos dòlars per polígon. L'aprenentatge autosupervisat capgira aquesta equació explotant els petabytes d'imatges sense etiquetar disponibles gratuïtament recollides per satèl·lits com Sentinel-2, permetent als models aprendre característiques útils sense cap anotació humana durant la fase inicial de preentrenament.
Els models entrenats purament amb supervisió tendeixen a sobreajustar-se a les característiques espectrals i espacials de les seves escenes d'entrenament, cosa que significa que un classificador entrenat en terres de conreu europees pot ensopegar quan s'aplica a boscos tropicals. Les representacions autosupervisades, en canvi, capturen patrons visuals més amplis d'imatges diverses, cosa que porta a una transferència notablement millor quan s'ajusten en un petit conjunt etiquetat d'una nova regió o sensor. Això fa que els enfocaments autosupervisats siguin especialment atractius per als esforços de cartografia a escala global.
En punts de referència estàndard com EuroSAT, BigEarthNet i el concurs de fusió de dades IEEE GRSS, els models supervisats encara tenen un lleuger avantatge quan se'ls donen prou dades d'entrenament etiquetades. Tanmateix, els estudis realitzats a partir del 2022 mostren consistentment que l'entrenament previ autosupervisat seguit de sondeig lineal o ajust fi en només uns pocs centenars d'etiquetes pot igualar o fins i tot superar les línies de base totalment supervisades. La diferència es redueix encara més quan les etiquetes són sorolloses, desequilibrades o limitades a classes rares.
L'entrenament previ autosupervisat és computacionalment costós, sovint requereix diverses GPU que s'executin durant dies en milions de pegats d'imatges. Tanmateix, un cop preentrenat, el model es pot reutilitzar en moltes tasques posteriors amb un entrenament addicional mínim. Els pipelines supervisats s'ometen el pas pesat d'entrenament previ, però s'han de tornar a entrenar des de zero sempre que canviï el sensor, la geografia o l'esquema de classes, cosa que s'acumula amb el temps per a les organitzacions que gestionen diversos productes de mapatge.
La classificació supervisada continua sent la peça clau de la teledetecció operativa perquè el seu comportament es coneix bé, els protocols de validació estan estandarditzats i els marcs reguladors sovint requereixen dades d'entrenament rastrejables. Els mètodes autosupervisats encara estan madurant i els professionals de vegades dubten a l'hora d'implementar-los en aplicacions d'alt risc com la resposta a desastres o el seguiment de la desforestació sense una avaluació comparativa extensa. Dit això, els fluxos de treball híbrids que combinen la formació prèvia autosupervisada amb un ajust fi supervisat estan guanyant força ràpidament tant en la recerca com en la indústria.
L'aprenentatge autosupervisat elimina completament la necessitat de dades etiquetades.
L'entrenament previ autosupervisat elimina les etiquetes de la fase inicial, però les tasques posteriors encara requereixen dades etiquetades per a l'afinament o l'avaluació. L'estalvi prové de la necessitat de moltes menys etiquetes, no de zero.
La classificació supervisada és obsoleta a causa dels mètodes autosupervisats.
La classificació supervisada continua sent l'enfocament dominant en els sistemes operatius i sovint aconsegueix la màxima precisió quan les etiquetes són abundants. L'aprenentatge autosupervisat la complementa en lloc de substituir-la.
Els models autosupervisats sempre superen els supervisats en els punts de referència de teledetecció.
El rendiment depèn del conjunt de dades, la quantitat de dades etiquetades disponibles i la tasca posterior. Amb conjunts etiquetats grans, els models supervisats encara poden coincidir o superar les línies de base autosupervisades.
Més dades sense etiquetar sempre milloren els models autosupervisats.
La qualitat i la diversitat importen més que el volum brut. Els models autosupervisats poden estancar-se o fins i tot degradar-se quan s'alimenten amb imatges redundants o de baixa qualitat sense prou varietat en estacions, sensors o geografies.
Els classificadors supervisats no poden generalitzar més enllà de la seva regió d'entrenament.
Amb un disseny acurat, adaptació de dominis i mostres d'entrenament diverses, els classificadors supervisats poden generalitzar entre regions. La limitació és real però no absoluta, i les tècniques d'aprenentatge per transferència ajuden a tancar la bretxa.
Trieu la classificació supervisada quan tingueu dades etiquetades abundants i d'alta qualitat i necessiteu un model madur i interpretable per a una regió o sensor ben definit. Opteu per l'aprenentatge autosupervisat quan les etiquetes siguin escasses, cares o geogràficament limitades i vulgueu un model de base flexible que pugui adaptar-se a moltes tasques posteriors amb un esforç mínim d'anotació.
Aquest desglossament detallat explora les diferències fonamentals entre les actualitzacions de gràfics basades en esdeveniments i el processament de gràfics per lots dins de les arquitectures d'IA. Mentre que les pipelines basades en esdeveniments gestionen la transmissió en temps real i les mutacions irregulars de la topologia de xarxa, el processament per lots consolida els canvis en execucions computacionals pesades i programades per maximitzar el rendiment del sistema i la saturació del maquinari.
Les actualitzacions de models en temps real i el reentrenament de models per lots representen dos enfocaments fonamentalment diferents per mantenir els sistemes d'aprenentatge automàtic actualitzats. Els mètodes en temps real s'adapten instantàniament a les noves dades, mentre que el reentrenament per lots reconstrueix els models a intervals programats utilitzant conjunts de dades acumulats.
Les actualitzacions de la versió LLM se centren en la implementació de models de llenguatge més nous i capaços amb un raonament i unes funcions millorades, mentre que el manteniment de models antics manté els sistemes d'IA més antics funcionant de manera fiable. Les organitzacions han de sospesar la innovació contra l'estabilitat a l'hora de decidir entre actualitzar o mantenir els seus models existents.
Aquesta comparació analitza les opcions estratègiques en l'aprenentatge automàtic entre l'adaptació de domini, que transfereix coneixement d'un entorn d'origen etiquetat a un entorn de destinació diferent, i l'entrenament dins del domini, que crea models completament a partir de dades recollides de la configuració exacta de desplegament de destinació.
L'adaptació lingüística en la IA se centra en l'ensenyament de models per gestionar idiomes específics mitjançant l'afinament i l'aprenentatge per transferència, mentre que els sistemes d'IA agnòstics a l'idioma tenen com a objectiu processar qualsevol idioma sense formació específica per a l'idioma. Ambdós enfocaments aborden els reptes multilingües, però difereixen fonamentalment en l'arquitectura, les dades d'entrenament i el desplegament al món real.
