Analisi funzionale della varianza delle scelte progettuali nella classificazione multi-etichetta del telerilevamento

Un recente preprint su arXiv (2608.04702) presenta un approccio innovativo per valutare i modelli di deep learning nel contesto della classificazione multi-etichetta (MLC) nel telerilevamento, andando oltre le semplici classifiche. Utilizzando l'analisi funzionale della varianza (fANOVA), la ricerca valuta meticolosamente come varie scelte progettuali—come l'architettura della rete, i metodi di fine-tuning, le strategie di apprendimento e l'inizializzazione—influenzino la variabilità delle prestazioni. Lo studio ha coinvolto due analisi empiriche, esaminando 48 e 20 modelli di deep learning su sette dataset di immagini da telerilevamento. Attraverso la fANOVA, gli autori hanno sviluppato meta-rappresentazioni dei dataset che illustrano la sensibilità alle scelte progettuali. Il clustering gerarchico di queste rappresentazioni ha indicato che i dataset tendono a raggrupparsi in base alle loro risposte alle decisioni progettuali, strettamente legate alle loro proprietà intrinseche. Questa ricerca mira a migliorare la comprensione dei fattori che influenzano le prestazioni dei modelli, offrendo approfondimenti che trascendono le classifiche specifiche del dataset. Il preprint è accessibile su arXiv con l'identificatore 2608.04702.