RSPDBench: Benchmarking Vision Foundation Models on Earth Observation Tasks Under Physically Grounded Remote-Sensing Product Degradations
Aggiunta all'archivio di AIChronos il (numero del 20 settembre 2026 ricostruito)· fonte del · Tanjim Bin Faruk, Khondaker Masfiq Reza, Shrideep Pallickara, Sangmi Lee Pallickara
Il documento presenta RSPDBench, un benchmark fisico per valutare la robustezza dei modelli fondazionali visione (vision foundation models) su compiti di osservazione terrestre. A differenza delle valutazioni tradizionali basate su dati puliti o perturbazioni generiche, questo strumento simula difetti reali presenti nei prodotti telerilevamento come degradamenti spaziali, radiometrici e di allineamento. L'analisi rivela che la sensibilità ai degradi è strutturata in base alla risoluzione e al canale dell'encoder, mostrando come lo stesso danno fisico possa danneggiare un modello mentre ne aiuta un altro nelle catene composte.
- RSPDBench valuta cinque dataset EO, sette modelli fondazionali e due baseline supervisionate sotto degradamenti primitivi auditati e catene di prodotti composti.
- La robustezza viene misurata come il calo delle prestazioni rispetto al protocollo nativo pulito selezionato per ogni modello specifico.
- Le catene di degradi composte espongono fallimenti non prevedibili dai test isolati, con amplificazioni dipendenti dal modello e cadute fino a 38 punti percentuali oltre la componente più forte.
- Gli encoder condizionati alla risoluzione e raggruppati per canale proteggono assi di fallimento diversi tra loro.
- La robustezza nell'osservazione terrestre non può essere caratterizzata solo dall'accuratezza pulita o da test di perturbazione generici.
Perché conta. Per uno sviluppatore che lavora con AI locale e agenti, questo paper è cruciale perché evidenzia come i modelli addestrati su dati 'puliti' falliscano in modo imprevedibile quando esposti ai difetti strutturali reali dei sensori o delle pipeline di acquisizione dati.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.