L'apprendimento auto-supervisionato nel telerilevamento addestra i modelli su immagini satellitari o aeree non etichettate creando compiti fittizi, mentre la classificazione supervisionata si basa su dati etichettati manualmente per insegnare ai modelli come categorizzare pixel o scene. Entrambi gli approcci affrontano la mappatura della copertura del suolo e il rilevamento di oggetti, ma differiscono notevolmente per requisiti di dati, scalabilità e accuratezza nel mondo reale.
Un paradigma di addestramento in cui i modelli apprendono rappresentazioni da dati di osservazione della Terra non etichettati risolvendo compiti preliminari prima di essere perfezionati nelle applicazioni successive.
Un approccio tradizionale di apprendimento automatico in cui i modelli vengono addestrati su dati di telerilevamento etichettati manualmente per assegnare categorie a pixel, oggetti o scene.
| Funzionalità | Apprendimento auto-supervisionato nel telerilevamento | Classificazione supervisionata |
|---|---|---|
| Sono necessari dati etichettati. | Preparazione minima o nulla. | Set di dati estesi e annotati da esperti. |
| Scalabilità tra regioni | Elevato, trasferimenti transnazionali | Limitato, spesso specifico per regione |
| Costo dell'annotazione | Basso, utilizza archivi di immagini grezze | L'etichettatura manuale è costosa. |
| Accuratezza a valle | Competitivo con le etichette limitate | Massimo quando le etichette sono numerose |
| Formazione informatica | Preparazione intensiva, messa a punto leggera. | Moderato, la difficoltà aumenta con la dimensione del set di dati. |
| Gestione delle classi rare | Meglio, impara rappresentazioni ampie | Più debole, necessita di campioni bilanciati |
| Interpretazione | I compiti di livello inferiore, quelli pretestuali, sono astratti | A livelli superiori, è possibile ispezionare le regole decisionali. |
| Maturità nella produzione | Emergente, prevalentemente in fase di ricerca | Maturo, ampiamente impiegato operativamente |
La classificazione supervisionata si basa su dataset accuratamente etichettati, in cui ogni esempio di addestramento è accompagnato da un'etichetta di riferimento. La produzione di queste etichette per immagini ad alta risoluzione spesso richiede competenze GIS e può costare da pochi centesimi a diversi dollari per poligono. L'apprendimento auto-supervisionato ribalta questa situazione, sfruttando i petabyte di immagini non etichettate e liberamente disponibili, raccolte da satelliti come Sentinel-2, consentendo ai modelli di apprendere caratteristiche utili senza alcuna annotazione umana durante la fase iniziale di pre-addestramento.
modelli addestrati esclusivamente con supervisione tendono a sovradattarsi alle caratteristiche spettrali e spaziali delle scene di addestramento, il che significa che un classificatore addestrato su terreni agricoli europei potrebbe avere difficoltà se applicato alle foreste tropicali. Le rappresentazioni auto-supervisionate, al contrario, catturano modelli visivi più ampi da immagini diverse, portando a un trasferimento notevolmente migliore quando vengono ottimizzate su un piccolo set di dati etichettati provenienti da una nuova regione o da un nuovo sensore. Questo rende gli approcci auto-supervisionati particolarmente interessanti per le attività di mappatura su scala globale.
Su benchmark standard come EuroSAT, BigEarthNet e l'IEEE GRSS Data Fusion Contest, i modelli supervisionati mantengono ancora un leggero vantaggio quando dispongono di una quantità sufficiente di dati di addestramento etichettati. Tuttavia, studi condotti dal 2022 in poi dimostrano costantemente che il pre-addestramento auto-supervisionato, seguito da un'ottimizzazione lineare o da un fine-tuning su poche centinaia di etichette, può eguagliare o addirittura superare i modelli di riferimento completamente supervisionati. Il divario si riduce ulteriormente quando le etichette sono rumorose, sbilanciate o limitate a classi rare.
L'addestramento preliminare auto-supervisionato è computazionalmente oneroso e spesso richiede l'utilizzo di più GPU per giorni su milioni di porzioni di immagine. Una volta addestrato, tuttavia, il modello può essere riutilizzato in numerose attività successive con un addestramento aggiuntivo minimo. Le pipeline supervisionate evitano la complessa fase di addestramento preliminare, ma devono essere riaddestrate da zero ogni volta che cambiano il sensore, la geografia o lo schema di classificazione, il che si traduce in un notevole dispendio di tempo per le organizzazioni che gestiscono più prodotti cartografici.
La classificazione supervisionata rimane il metodo principale del telerilevamento operativo perché il suo comportamento è ben compreso, i protocolli di validazione sono standardizzati e i quadri normativi spesso richiedono dati di addestramento tracciabili. I metodi auto-supervisionati sono ancora in fase di sviluppo e gli operatori a volte esitano ad impiegarli in applicazioni critiche come la risposta alle emergenze o il monitoraggio della deforestazione senza un'ampia attività di benchmarking. Detto questo, i flussi di lavoro ibridi che combinano il pre-addestramento auto-supervisionato con la messa a punto supervisionata stanno rapidamente guadagnando terreno sia nella ricerca che nell'industria.
L'apprendimento auto-supervisionato elimina completamente la necessità di dati etichettati.
L'addestramento preliminare auto-supervisionato elimina le etichette dalla fase iniziale, ma le attività successive richiedono comunque dati etichettati per la messa a punto o la valutazione. Il risparmio deriva dalla necessità di molte meno etichette, non dall'assenza totale di etichette.
La classificazione supervisionata è obsoleta a causa dei metodi di auto-supervisione.
La classificazione supervisionata rimane l'approccio dominante nei sistemi operativi e spesso raggiunge la massima precisione quando le etichette sono numerose. L'apprendimento auto-supervisionato la integra, anziché sostituirla.
Nei benchmark di telerilevamento, i modelli auto-supervisionati superano sempre quelli supervisionati.
Le prestazioni dipendono dal set di dati, dalla quantità di dati etichettati disponibili e dal compito successivo. Con set di dati etichettati di grandi dimensioni, i modelli supervisionati possono ancora eguagliare o superare i modelli di riferimento auto-supervisionati.
Una maggiore quantità di dati non etichettati migliora sempre i modelli di apprendimento auto-supervisionato.
La qualità e la diversità contano più del semplice volume. I modelli auto-supervisionati possono stabilizzarsi o addirittura peggiorare se alimentati con immagini ridondanti o di bassa qualità, senza una sufficiente varietà di stagioni, sensori o aree geografiche.
I classificatori supervisionati non sono in grado di generalizzare al di fuori della regione di addestramento.
Grazie a un'attenta progettazione, all'adattamento al dominio e a campioni di addestramento diversificati, i classificatori supervisionati possono generalizzare a diverse regioni. La limitazione è reale ma non assoluta, e le tecniche di apprendimento per trasferimento contribuiscono a colmare il divario.
Scegli la classificazione supervisionata quando disponi di dati etichettati abbondanti e di alta qualità e hai bisogno di un modello maturo e interpretabile per una regione o un sensore ben definiti. Opta per l'apprendimento auto-supervisionato quando le etichette sono scarse, costose o geograficamente limitate e desideri un modello di base flessibile che possa adattarsi a molteplici attività successive con uno sforzo minimo di annotazione.
L'accuratezza predittiva misura quanto bene le previsioni di un modello corrispondano ai risultati del mondo reale, mentre la resilienza del modello valuta la capacità di un sistema di mantenere le prestazioni di fronte ad attacchi avversari, derive dei dati o cambiamenti ambientali. Entrambe le metriche influenzano il modo in cui valutiamo l'affidabilità dell'IA, ma spesso spingono la progettazione del modello in direzioni diverse.
Questo confronto analizza le scelte strategiche nell'apprendimento automatico tra l'adattamento del dominio, che trasferisce la conoscenza da un ambiente sorgente etichettato a un ambiente di destinazione diverso, e l'addestramento nel dominio, che costruisce modelli interamente su dati raccolti dall'esatto ambiente di implementazione di destinazione.
L'adattamento linguistico nell'IA si concentra sull'insegnamento ai modelli di gestire lingue specifiche attraverso la messa a punto e il trasferimento dell'apprendimento, mentre i sistemi di IA agnostici rispetto alla lingua mirano a elaborare qualsiasi lingua senza un addestramento specifico. Entrambi gli approcci affrontano le sfide del multilinguismo, ma differiscono fondamentalmente in termini di architettura, dati di addestramento e implementazione nel mondo reale.
Questo confronto mette a confronto il modo in cui le reti neurali artificiali vengono addestrate a interpretare i dati visivi con il modo in cui il sistema visivo biologico umano percepisce il mondo naturale. Mentre la visione artificiale si basa su milioni di input statici, annotati a livello di pixel, per estrarre matrici matematiche, la percezione umana naturale sfrutta flussi sensoriali dinamici e continui, contestualizzati dalla biologia evolutiva e da strutture di feedback cognitivo immediato.
L'addestramento degli agenti in ambienti reali prevede l'apprendimento tramite interazione in tempo reale con ambienti simulati o fisici, mentre l'addestramento offline si basa su dati raccolti in precedenza, senza ulteriore accesso all'ambiente. Entrambi gli approcci addestrano modelli di apprendimento automatico, ma differiscono fondamentalmente nel modo in cui gli agenti acquisiscono esperienza e migliorano le proprie prestazioni.
