Une évaluation des performances des modèles fondationnels de la Terre

Mon avis :

Ce papier permet d'avoir une approche assez globale des modèles fondationnels portant sur les images satellitaires de la Terre ("remote sensing"). Il permet en particulier d'appréhender :

• la diversité des types de modèles : self supervised learning, backbones (dont les Visual Transformers, ViT, et les CNN)
• la diversité des tâches à mener, qui peuvent être appréhendées comme des tâches générales de computer vision (classification, segmentation, détection d'objet, détection de changement) ou comme des tâches spécifiques au domaine (par exemple l'estimation de la biomasse). ![[CleanShot 2024-09-19 at 00.09.40.png]]

Référence

Lu, Siqi, Junlin Guo, James R. Zimmer-Dauphinee, Jordan M. Nieusma, Xiao Wang, Parker VanValkenburgh, Steven A. Wernke, and Yuankai Huo. ‘AI Foundation Models in Remote Sensing: A Survey’. arXiv, 6 August 2024. https://doi.org/10.48550/arXiv.2408.03464.