Charla IA Estamos! Learning Gaussian Embeddings from Temporal Views of Satellite Image Time Series

Tenemos el agrado de invitarles a participar en nuestra próxima sesión de la Charlas: IA Estamos!, organizadas por el Departamento de Ciencias de la Computación (DCC), el Centro de Modelamiento Matemático (CMM), la Iniciativa de Datos e Inteligencia Artificial (IDIA) y el grupo RELELA de la Facultad de Ciencias Físicas y Matemáticas de la Universidad de Chile. 

En esta oportunidad, contaremos con la destacada presentación de Giovanni Castiglioni, estudiante del Doctorado en Computación de la Universidad de Chile y de la Université Bretagne Sud, quien propone un marco basado en JEPA para extraer características robustas y con distribución normal a partir de series temporales de imágenes satelitales, para mejorar el rendimiento en diversas tareas de teledetección sin necesidad de usar datos etiquetados.

Detalles del Evento

• Nombre de la Charla: Learning Gaussian Embeddings from Temporal Views of Satellite Image Time Series
• Expositor: Giovanni Castiglioni, estudiante del Doctorado en Computación de la Universidad de Chile y de la Université Bretagne Sud.
• Fecha: Miércoles 15 de julio.
• Hora: 12:30 horas.
• Lugar: Auditorio Ramón Picarte, DCC, 3er piso Edificio Norte Av. Beauchef 851, Santiago. 

Resumen de la Presentación

El Aprendizaje Autosupervisado y los Modelos Fundacionales han captado la atención de la comunidad científica debido a su capacidad para aprender características significativas e independientes de la tarea (task-agnostic) sin requerir costosas muestras etiquetadas. Sin embargo, en aplicaciones específicas como el procesamiento de Series Temporales de Imágenes Satelitales (SITS, por sus siglas en inglés), el preentrenamiento de Modelos Fundacionales Geoespaciales (GFMs) sobre datos 4D sigue siendo un desafío debido a las dependencias espaciotemporales que escapan al alcance de los métodos puramente espaciales.

Recientemente, Yann LeCun y Randall Balestriero presentaron LeJEPA, un método SSL que obliga a la red a aprender características semánticamente significativas y distribuidas de forma normal, caracterizando la distribución gaussiana isotrópica como óptima para generar un espacio latente insesgado.

En este trabajo, proponemos un marco de trabajo JEPA que impone la extracción de características con distribución normal a partir de datos geoespaciales multitemporales. Dichas características se obtienen generando vistas globales y locales basadas en la agregación temporal, lo que lo hace adecuado para una amplia variedad de tareas de Teledetección y permite realizar estimaciones de densidad de datos para conjuntos de datos geoespaciales mediante JEPA-Score. Los resultados empíricos demuestran que nuestro método aprende representaciones robustas, superando a GFMs comparables en tareas como el mapeo de tipos de cultivos, la segmentación de áreas inundadas y la detección de cicatrices de incendios forestales.