Pretraining von KI-Modellen für die Erdbeobachtung: Transfer-Lernen und Meta-Lernen

Beim Pretraining wird ein KI-Modell auf einem großen Datensatz trainiert, um allgemeine Merkmale zu erlernen, die dann für spezifische Aufgaben mit kleineren Datensätzen verfeinert werden können. Dadurch verringert sich die Notwendigkeit, für jeden neuen Anwendungsfall zeitintensive Datensätze zu beschaffen und zu trainieren, was die Kosten der Anwendungsentwicklung senkt. Während vortrainierte Modelle in der Bildverarbeitung und der Verarbeitung natürlicher Sprache weit verbreitet sind, werden sie für Satellitendaten und Erdbeobachtungsanwendungen nur in begrenztem Umfang eingesetzt. Unsere Untersuchung konzentriert sich auf den Vergleich der Fähigkeiten von Transfer-Learning- und Meta-Learning-Ansätzen für das Pretraining von KI-Modellen für Erdbeobachtungsaufgaben, insbesondere für die Klassifizierung von Kulturpflanzen und deren Potenzial, Erkenntnisse über verschiedene geografische Regionen hinweg zu verallgemeinern.