یادگیری خودنظارتی در سنجش از دور، مدلها را بر اساس تصاویر ماهوارهای یا هوایی بدون برچسب، با ایجاد وظایف پیشزمینه، آموزش میدهد، در حالی که طبقهبندی نظارتشده برای آموزش مدلها به نحوه دستهبندی پیکسلها یا صحنهها، به دادههای برچسبگذاریشده توسط انسان متکی است. هر دو رویکرد، نقشهبرداری پوشش زمین و تشخیص اشیا را انجام میدهند، اما از نظر الزامات داده، مقیاسپذیری و دقت در دنیای واقعی تفاوتهای چشمگیری دارند.
یک الگوی آموزشی که در آن مدلها با حل وظایف پیشزمینه قبل از تنظیم دقیق برنامههای پاییندستی، بازنماییها را از دادههای رصد زمین بدون برچسب یاد میگیرند.
یک رویکرد یادگیری ماشین سنتی که در آن مدلها بر اساس دادههای سنجش از دور با برچسب دستی آموزش داده میشوند تا به پیکسلها، اشیاء یا صحنهها دستهبندی اختصاص دهند.
| ویژگی | یادگیری خودنظارتی در سنجش از دور | طبقهبندی نظارتشده |
|---|---|---|
| دادههای برچسبگذاریشده مورد نیاز | حداقل یا هیچ برای پیش آموزش | مجموعه دادههای گسترده و حاشیهنویسیشده توسط متخصصان |
| مقیاسپذیری در مناطق مختلف | بالا، نقل و انتقالات بین مناطق جغرافیایی | محدود، اغلب مختص منطقه |
| هزینه حاشیهنویسی | کم، از آرشیو تصاویر خام استفاده میکند | برچسبگذاری دستی گران است و هزینه بالایی دارد |
| دقت پاییندستی | رقابتی با برچسبهای محدود | بالاترین مقدار زمانی که برچسبها فراوان هستند |
| محاسبات آموزشی | پیش تمرین سنگین، تنظیم دقیق سبک | متوسط، مقیاسبندی با اندازه مجموعه داده |
| مدیریت کلاسهای نادر | بهتر، بازنماییهای کلی را یاد میگیرد | ضعیفتر، به نمونههای متعادل نیاز دارد |
| تفسیرپذیری | وظایف سطح پایینتر و بهانهای، انتزاعی هستند | قوانین تصمیمگیری بالاتر را میتوان بررسی کرد |
| بلوغ در تولید | در حال ظهور، عمدتاً مرحله تحقیق | بالغ، با استقرار گسترده عملیاتی |
طبقهبندی نظارتشده به مجموعه دادههای برچسبگذاریشدهی دقیقی بستگی دارد که در آن هر نمونهی آموزشی دارای یک برچسب واقعیت زمینی است. تولید این برچسبها برای تصاویر با وضوح بالا اغلب به تخصص GIS نیاز دارد و میتواند از چند سنت تا چند دلار برای هر چندضلعی هزینه داشته باشد. یادگیری خودنظارتی با بهرهبرداری از پتابایتها تصاویر بدون برچسب و رایگان موجود که توسط ماهوارههایی مانند Sentinel-2 جمعآوری شدهاند، این معادله را برعکس میکند و به مدلها اجازه میدهد تا ویژگیهای مفید را بدون هیچ گونه حاشیهنویسی انسانی در طول مرحلهی اولیهی پیشآموزش یاد بگیرند.
مدلهایی که صرفاً با نظارت آموزش دیدهاند، تمایل دارند که با ویژگیهای طیفی و مکانی صحنههای آموزشی خود بیشبرازش داشته باشند، به این معنی که یک طبقهبندیکننده آموزشدیده در زمینهای کشاورزی اروپا ممکن است هنگام اعمال به جنگلهای گرمسیری دچار مشکل شود. در مقابل، نمایشهای خودنظارتی، الگوهای بصری وسیعتری را از تصاویر متنوع ثبت میکنند و منجر به انتقال به طور قابل توجهی بهتر هنگام تنظیم دقیق روی یک مجموعه کوچک برچسبگذاری شده از یک منطقه یا حسگر جدید میشوند. این امر رویکردهای خودنظارتی را به ویژه برای تلاشهای نقشهبرداری در مقیاس جهانی جذاب میکند.
در معیارهای استاندارد مانند EuroSAT، BigEarthNet و مسابقه تلفیق داده IEEE GRSS، مدلهای تحت نظارت هنوز هم وقتی دادههای آموزشی برچسبگذاری شده کافی داشته باشند، برتری کمی دارند. با این حال، مطالعات از سال 2022 به بعد به طور مداوم نشان میدهد که پیشآموزش خودنظارتی و به دنبال آن کاوش خطی یا تنظیم دقیق روی تنها چند صد برچسب میتواند با خطوط پایه کاملاً تحت نظارت مطابقت داشته باشد یا حتی از آنها پیشی بگیرد. این شکاف زمانی که برچسبها نویزی، نامتعادل یا محدود به کلاسهای نادر باشند، بیشتر کاهش مییابد.
پیشآموزش خودنظارتی از نظر محاسباتی پرهزینه است و اغلب نیاز به چندین پردازنده گرافیکی دارد که برای چند روز روی میلیونها تکه تصویر کار میکنند. با این حال، پس از پیشآموزش، مدل میتواند با حداقل آموزش اضافی در بسیاری از وظایف پاییندستی مورد استفاده مجدد قرار گیرد. خطوط لوله تحت نظارت، مرحله سنگین پیشآموزش را حذف میکنند، اما هر زمان که حسگر، جغرافیا یا طرح کلاس تغییر کند، باید از ابتدا دوباره آموزش داده شوند، که این امر به مرور زمان برای سازمانهایی که چندین محصول نقشهبرداری را مدیریت میکنند، هزینهبر است.
طبقهبندی نظارتشده همچنان نیروی محرکه سنجش از دور عملیاتی است زیرا رفتار آن به خوبی درک شده است، پروتکلهای اعتبارسنجی استاندارد شدهاند و چارچوبهای نظارتی اغلب به دادههای آموزشی قابل ردیابی نیاز دارند. روشهای خودنظارتی هنوز در حال تکامل هستند و متخصصان گاهی اوقات در بهکارگیری آنها در برنامههای پرمخاطره مانند واکنش به بلایا یا نظارت بر جنگلزدایی بدون معیارسنجی گسترده تردید دارند. با این حال، گردشهای کاری ترکیبی که پیشآموزش خودنظارتی را با تنظیم دقیق نظارتشده ترکیب میکنند، به سرعت در تحقیقات و صنعت مورد توجه قرار میگیرند.
یادگیری خودنظارتی نیاز به دادههای برچسبگذاریشده را بهطور کامل از بین میبرد.
پیشآموزش خودنظارتی برچسبها را از مرحله اولیه حذف میکند، اما وظایف بعدی هنوز برای تنظیم دقیق یا ارزیابی به دادههای برچسبگذاری شده نیاز دارند. صرفهجوییها از نیاز به برچسبهای بسیار کمتر ناشی میشود، نه از نیاز به برچسبهای صفر.
طبقهبندی نظارتشده به دلیل روشهای خودنظارتی منسوخ شده است.
طبقهبندی نظارتشده همچنان رویکرد غالب در سیستمهای عملیاتی است و اغلب زمانی که برچسبها فراوان باشند، به بالاترین دقت دست مییابد. یادگیری خودنظارتی به جای اینکه جایگزین آن شود، آن را تکمیل میکند.
مدلهای خودنظارتی همیشه در معیارهای سنجش از دور، از مدلهای تحت نظارت بهتر عمل میکنند.
عملکرد به مجموعه دادهها، میزان دادههای برچسبگذاریشده موجود و وظیفهی بعدی بستگی دارد. با مجموعههای برچسبگذاریشدهی بزرگ، مدلهای نظارتشده همچنان میتوانند با خطوط پایهی خودنظارتی مطابقت داشته باشند یا از آنها پیشی بگیرند.
دادههای بدون برچسب بیشتر، همیشه مدلهای خودنظارتی را بهبود میبخشند.
کیفیت و تنوع مهمتر از حجم خام است. مدلهای خودنظارتی میتوانند در صورت تغذیه تصاویر اضافی یا بیکیفیت بدون تنوع کافی در فصول، حسگرها یا مناطق جغرافیایی، دچار رکود یا حتی افت کیفیت شوند.
طبقهبندیکنندههای نظارتشده نمیتوانند فراتر از ناحیه آموزشی خود تعمیم دهند.
با طراحی دقیق، تطبیق دامنه و نمونههای آموزشی متنوع، طبقهبندیکنندههای نظارتشده میتوانند در مناطق مختلف تعمیم داده شوند. این محدودیت واقعی است اما مطلق نیست و تکنیکهای یادگیری انتقالی به پر کردن این شکاف کمک میکنند.
وقتی دادههای برچسبگذاریشده فراوان و باکیفیتی دارید و به یک مدل بالغ و قابل تفسیر برای یک منطقه یا حسگر کاملاً تعریفشده نیاز دارید، طبقهبندی نظارتشده را انتخاب کنید. وقتی برچسبها کمیاب، گران یا از نظر جغرافیایی محدود هستند و یک مدل پایه انعطافپذیر میخواهید که بتواند با بسیاری از وظایف پاییندستی با حداقل تلاش حاشیهنویسی سازگار شود، یادگیری خودنظارتی را انتخاب کنید.
LLM های مبتنی بر ابزار، مدلهای زبانی مستقل را با اتصال آنها به APIهای خارجی، ماشینحسابها و پایگاههای داده گسترش میدهند و بازیابی اطلاعات و اجرای وظایف را در زمان واقعی امکانپذیر میسازند. LLM های مستقل صرفاً به پارامترهای آموزشدیده خود متکی هستند و آنها را مستقل اما محدود به دانش حاصل از دادههای آموزشی میکنند.
LLM های متن باز، مدلهای هوش مصنوعی قابل تنظیم و خود-میزبان با دسترسی کامل به کد ارائه میدهند، در حالی که API های اختصاصی LLM، خدمات مدیریت شده و بهبود یافته را از طریق نقاط پایانی مبتنی بر ابر با قیمت گذاری مبتنی بر میزان استفاده ارائه میدهند.
RAG و LLM های تنظیمشده دقیق، هر دو کیفیت خروجی هوش مصنوعی را بهبود میبخشند، اما به روشهای اساساً متفاوتی عمل میکنند. RAG اطلاعات خارجی را در زمان پرسوجو دریافت میکند، در حالی که تنظیم دقیق، دانش جدید را مستقیماً در وزنهای مدل قرار میدهد. انتخاب بین آنها بستگی به این دارد که دادههای شما چند وقت یکبار تغییر میکنند و به چه نوع دقتی نیاز دارید.
RAG با زمینه بصری، مدلهای زبانی را با بازیابی تصاویر، نمودارها و دیاگرامها در کنار متن غنی میکند، در حالی که RAG فقط متنی صرفاً به متون نوشتاری متکی است. RAG بصری در وظایف چندوجهی مانند درک اسناد و پاسخ به سؤالات بصری برتری دارد، در حالی که RAG فقط متنی سادهتر، سریعتر و ارزانتر برای استقرار باقی میماند.
RAG چندوجهی متن، تصاویر، صدا و ویدیو را برای بازیابی غنیتر با هم پردازش میکند، در حالی که RAG فقط متنی منحصراً بر محتوای نوشتاری تمرکز دارد. انتخاب بستگی به این دارد که آیا دادهها و موارد استفاده شما فراتر از اسناد متنی ساده است یا خیر.
