• CLIP
• Contrastive Learning
• EuroSAT
• Pre-trained models
• SatCLIP

La prima parte di questa tesi esplora l’applicazione dei modelli di apprendimento contrastivo nel campo della fisica, evidenziandone il potenziale nel semplificare e migliorare il lavoro dei ricercatori, facilitando l’interpretazione dei dati e l’estrazione di informazioni rilevanti. Successivamente, la tesi si concentra sull’analisi e classificazione di immagini satellitari multispettrali del dataset EuroSAT attraverso l’implementazione di SatCLIP, un modello che combina tecniche di pre-addestramento contrastivo e auto-supervisionato specifiche per il telerilevamento. Nella tesi viene inoltre studiato se l’allineamento tra l’encoder delle immagini e quello della posizione in SatCLIP consenta il trasferimento del classificatore addestrato su una modalità all’altra. I risultati dimostrano che SatCLIP è un modello efficace per la classificazione delle immagini satellitari.

The first part of this thesis explores the application of contrastive learning models in the field of physics, highlighting their potential to simplify and enhance researchers’ work by facilitating data interpretation and the extraction of relevant information. Subsequently, the thesis focuses on the analysis and classification of multispectral satellite images from the EuroSAT dataset through the implementation of SatCLIP, a model that combines contrastive and self-supervised pre-training techniques specific to remote sensing. Additionally, the study investigates whether the alignment between SatCLIP’s image and location encoder enables the transfer of the classifier trained on one modality to the other. The results demonstrate that SatCLIP is an effective model for satellite image classification.