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.
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.
