Label Less, Learn More: Resource-Efficient Active Semi-Supervised Learning for Onboard Satellite Image Annotation
Aggiunta all'archivio di AIChronos il (numero del 25 settembre 2026 ricostruito)· fonte del · Ahmed Abdelnaby, Mohamed Elmahallawy, Marius Bernahrndt, Tobias Hecking
SatLabel è un framework di apprendimento attivo semi-supervisionato progettato per ottimizzare l'annotazione delle immagini satellitari a bordo dei satelliti. Il sistema trasforma etichette limitate in modelli progressivamente raffinati attraverso l'acquisizione adattiva di campioni e sfruttando abbondanti dati non etichettati, riducendo così i costi computazionali ed energetici. A differenza degli approcci esistenti che richiedono grandi quantità di dati o modelli fondazionali pesanti, SatLabel chiude il ciclo tra incertezza del modello, squilibrio delle classi e qualità dei pseudo-etichette per selezionare campioni informativi. L'architettura include uno studente compatto con un opzionale Mixture-of-Experts (MoE) basato su grafico per migliorare la capacità rappresentazionale mantenendo un'impronta leggera.
- SatLabel utilizza l'apprendimento attivo semi-supervisionato per selezionare campioni informativi invece di addestrare ripetutamente su etichette uniformemente campionate.
- Lo studente bilanciato contiene solo 11.2 M parametri e occupa circa 42.8 MB, contro i 151.3 M parametri e 577 MB di RemoteCLIP.
- Il framework richiede 3.65 GFLOPs rispetto ai 5.89 GFLOPS necessari per RemoteCLIP, offrendo un throughput GPU-forward circa il doppio superiore su quattro benchmark di efficienza.
- SatLabel dimostra trasferimento cross-dataset robusto verso domini non visti mantenendo prestazioni elevate sui dataset core ed estesi.
- L'architettura opzionale Mixture-of-Experts (MoE) con raffinamento delle feature basato su grafico potenzia la capacità rappresentazionale senza aumentare significativamente le risorse.
Perché conta. ['Per gli sviluppatori di AI locale e agenti, SatLabel offre un paradigma per adattare modelli a domini specifici con vincoli severi di memoria ed energia, tipici dei dispositivi edge o onboard.', "La tecnica riduce drasticamente i costi di annotazione dati (data-hungry) permettendo l'uso efficiente di fondazionali vision-language in scenari dove le risorse sono limitate."]
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.