Quantum-Inspired Convolutional Networks for High-Resolution Pseudo-Label Generation from Multimodal Earth Observation Data
Pubblicata su AIChronos il · fonte del · Abhishek Singh, Giovanni Cuozzo, Alexander Jacob, Claudia Notarnicola
Questo lavoro introduce un'architettura di rete convoluzionale ispirata al quantum per la generazione di pseudo-etichette ad alta risoluzione da dati multimediali di osservazione terrestre. Il framework utilizza blocchi convoluzionali quantistici-ispirati per migliorare l'estrazione delle caratteristiche e il fusione incrociata tra sensori SAR (Sentinel-1) e multispettrali (Sentinel-2), guidato esclusivamente da mappe a bassa risoluzione derivate da MODIS. Attraverso una fase di auto-supervisione basita sulla ricostruzione, il modello apprende rappresentazioni robuste prima dell'applicazione delle etichette sparse, catturando così strutture spettralo-spaziali fini. I risultati sperimentali sul dataset DFC2020 dimostrano che l'approccio produce pseudo-etichette più coerenti nello spazio e consistenti per classe rispetto alle baseline classiche.
- Utilizzo di blocchi convoluzionali ispirati al quantum per potenziare il fusione incrociata tra dati eterogenei (SAR e multispettrali).
- Adozione di una fase auto-supervisionata basita sulla ricostruzione dei dati prima dell'uso delle etichette a bassa risoluzione.
- Generazione di pseudo-etichette ad alta risoluzione che superano le baseline classiche in termini di coerenza spaziale e consistenza della classe.
- Validazione effettuata sul dataset DFC2020, che combina Sentinel-1, Sentinel-2 e MODIS per mappatura del land-cover.
- Dimostrazione del potenziale delle tecniche deep learning ispirate al quantum in scenari con annotazioni scarse.
Perché conta. Sebbene il paper si concentri su remote sensing, l'approccio di auto-supervisione tramite ricostruzione e la fusione incrociata eterogenea sono pattern trasferibili allo sviluppo di agenti AI locali che devono operare in contesti con dati parziali o etichette limitate. Inoltre, le tecniche ispirate al quantum potrebbero offrire vantaggi computazionali futuri per modelli complessi eseguiti su hardware locale.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.