Dottoranda UniGe vince lo Student Prize Paper Award della IEEE Geoscience and Remote Sensing Society
Martina Pastorino, dottoranda UniGe in Sciences and Technologies for Electronic and Telecommunications engineering (dottorato in co-tutela con UCA – Université Côte d'Azur e in collaborazione con INRIA – Institut national de recherche en
sciences et technologies du numérique nell’ambito del programma Ulysseus), ha vinto il primo premio nello Student Prize Paper Award della IEEE Geoscience and Remote Sensing Society (GRSS).
La competizione si è tenuta nell'ambito dell'edizione 2021 dell'IEEE International Geoscience and Remote Sensing Symposium (IGARSS), la più grande conferenza annuale IEEE per la comunità scientifica internazionale del telerilevamento.
Nel 2021, sono state presentate 239 domande di partecipazione all'IEEE GRSS Student Prize Paper Award. Fra queste, la commissione di valutazione – composta da ricercatori di NASA Joint Propulsion Laboratory (JPL), NASA Goddard Space Flight Center, University of Massachusetts Amherst, Université Savoie Mont Blanc, Chinese Academy of Sciences e Fondazione Bruno Kessler – ha selezionato 10 finalisti che hanno presentato i propri lavori in una sessione speciale a IGARSS. Fra i finalisti, sono stati proclamati un primo, un secondo e un terzo classificato; Martina Pastorino si è aggiudicata il primo premio, chiamato anche "IEEE GRSS Mikio Takagi Student Prize"; al secondo e al terzo posto due candidati provenienti dalla Stanford University e dalla University of Pennsylvania.
L’articolo con cui Martina Pastorino si è classificata al primo posto si intitola “Semantic segmentation of remote sensing images combining hierarchical probabilistic graphical models and deep convolutional neural networks” (“Segmentazione semantica di immagini telerilevate combinando modelli grafici probabilistici e reti neurali convoluzionali profonde”) e ha come co-autori i tutor del suo dottorato: Gabriele Moser e Sebastiano B. Serpico, docenti UniGe di Telecomunicazioni, e Josiane Zerubia ricercatrice presso INRIA-UCA.
Deep learning e immagini telerilevate
I recenti progressi nel campo del deep learning, o apprendimento profondo, hanno consentito di ottenere risultati molto significativi – a tratti rivoluzionari – nell’ambito dell’analisi di immagini telerilevate. Tali immagini, acquisite da satellite, aereo o drone, a risoluzioni spaziali anche molto elevate (fino a pochi centimetri) giocano un ruolo importante in numerose applicazioni, dal monitoraggio ambientale alla protezione da disastri naturali fino alla valutazione dell’impatto del cambiamento climatico. Tuttavia, lo sviluppo di tecniche di deep learning nel contesto del telerilevamento per l’osservazione della Terra presenta anche limitazioni importanti: l’accuratezza dei risultati prodotti da questo tipo di modelli, in generale, dipende dalla quantità e dalla qualità dei dati di “verità al suolo” utilizzati per determinare i valori dei parametri dei modelli stessi (in gergo, per “addestrarli”). Disporre di molti dati di verità al suolo consente di ottenere modelli efficaci ma la generazione di tali dati richiede molto lavoro e implica costi elevati. Mappe di verità al suolo complete ed estese sono quindi molto raramente disponibili nelle applicazioni del telerilevamento.
L’articolo di Martina Pastorino integra idee tratte dal deep learning con quelle derivate dai modelli grafici probabilistici, altra area di ricerca nel contesto dell'analisi di immagini.
I modelli grafici probabilistici permettono di caratterizzare l’informazione spaziale associata a un’immagine; questi hanno suscitato sempre maggiore interesse negli ultimi anni grazie alla crescente disponibilità di dati ad altissima risoluzione e della corrispondente necessità di modelli per dati altamente strutturati.
Obiettivo dell’articolo è proprio la combinazione di approcci di apprendimento profondo e modelli grafici probabilistici per sviluppare nuovi metodi di classificazione delle immagini telerilevate. L'idea è di sfruttare le capacità di modellare l’informazione spaziale dei modelli grafici probabilistici gerarchici per mitigare l'impatto di verità al suolo incomplete (ma realistiche) sulle capacità di classificazione delle reti neurali e per migliorarne i risultati.
L'approccio proposto nell'articolo vincitore del premio, applicato a dati di test benchmark, molto usati nella comunità scientifica internazionale del telerilevamento, si è dimostrato in grado di fornire risultati notevolmente più accurati rispetto alle reti neurali standard, soprattutto quando la verità al suolo in ingresso è non esaustiva e vicina a quanto disponibile in contesti operativi realistici.
Martina Pastorino ha ottenuto la laurea magistrale in Internet and Multimedia Engineering all’Università di Genova nel 2020 e, nell’ambito del programma double degree, il titolo di Master DNM en Electronique, Energie Électrique, Automatique Parcours: Signal, Image, SystÈmes, Automatique (SISEA) presso la grande école francese IMT Atlantique (Brest, Francia); per la sua tesi magistrale ha collaborato con l’INRIA d’Université Côte d’Azur di Sophia Antipolis in Francia sullo studio di metodi innovativi per la segmentazione semantica di immagini telerilevate basati su modelli grafici probabilistici gerarchici e reti neurali completamente convoluzionali.