Accuracy and efficiency of compact foundation models for surface-water mapping during floods
Pubblicata su AIChronos il · fonte del · Parastoo Farajpoor, Mohammadreza Narimani
Lo studio valuta le prestazioni del modello Prithvi-EO-2.0-Tiny per la mappatura delle acque superficiali durante le inondazioni confrontandolo con architetture U-Net e modelli più grandi. I risultati dimostrano che il fine-tuning del transformer compatto offre un costo computazionale inferiore (inferenza 16,1 ms su GPU) rispetto al modello U-Net standard, pur mantenendo una precisione competitiva ma non superiore in termini di IoU medio. La pre-addestramento migliora significativamente le prestazioni partendo da inizializzazione casuale con pochi dati di addestramento, rendendo il modello più efficiente per scenari a risorse limitate.
- Il modello fine-tuned Prithvi-Tiny supera l'inizializzazione casuale (+0.046 IoU con 25 chip) ma non batte sistematicamente le architetture U-Net in termini di accuratezza pura (IoU medio 0.833 vs 0.856).
- L'efficienza computazionale è il vantaggio principale: l'inference su GPU richiede solo 16,1 ms per chip da 512x512 contro i 30,6 ms del U-Net.
- Le prestazioni variano in base agli eventi esclusi dal fitting e alla distinzione tra acqua osservata e nuove aree allagate.
- Gli errori predittivi sono concentrati principalmente vicino ai confini delle zone acquatiche.
- L'entropia predittiva ad alta intensità identifica molti pixel errati, sebbene non tutti.
Perché conta. Per uno sviluppatore di AI locale o agenti autonomi che operano su hardware limitato (es. laptop CPU), questo paper evidenzia come i modelli transformer compatti pre-addestrati possano sostituire architetture più pesanti senza sacrificare drasticamente l'accuratezza, riducendo al contempo il consumo energetico e latenza dell'inference.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.