Article · IA & agents
Distiller un modèle satellite de crues jusqu’à l’edge
Un étudiant EfficientViT de 0,7 million de paramètres apprend d’un modèle géospatial de 300 millions de paramètres pour segmenter les zones inondées.
Un modèle de crue trop grand pour le terrain
Fabian Schmalstieg, Karsten Müller et Wojciech Samek distillent le modèle géospatial Prithvi-EO-2.0, environ 300 millions de paramètres, vers un étudiant EfficientViT-B0 d’environ 0,7 million de paramètres. L’objectif est de conserver une segmentation utile sur du matériel edge contraint.
Le professeur étend les annotations
Le professeur a été ajusté sur 252 scènes Sen1Floods11 annotées manuellement, puis supervise l’étudiant sur des images Sentinel-2 non annotées. Avec un pool porté à 2 500 scènes, l’étudiant flottant atteint un IoU eau de 0,787 sur le test Sen1Floods11, contre 0,822 pour le professeur. Le modèle quantifié tient dans un moteur INT8 de 1,5 Mo et atteint 5,57 ms de calcul GPU par image 512×512 sur Jetson Xavier NX.
Le benchmark doit inclure la règle simple
Sur deux benchmarks externes propres, un seuil MNDWI fixe est compétitif avec les modèles. Les auteurs interprètent donc ces jeux comme des tests de généralisation, pas comme une preuve que le modèle appris domine toujours une règle spectrale. Cette comparaison est une bonne pratique pour un agent de télédétection.
Interprétation éditoriale : compresser aussi la chaîne de preuve
Un déploiement edge doit conserver la provenance des pseudo-labels, la version du professeur, la quantification et la latence mesurée. Un petit étudiant n’est intéressant que si la qualité, la mémoire, la consommation et les cas d’échec sont observés ensemble.
Limites et statut de la source
Les résultats dépendent des scènes Sentinel-2, des benchmarks et du matériel testés. L’étudiant reste inférieur au professeur sur certains jeux, notamment WorldFloods-v2, et les règles spectrales peuvent être compétitives. La latence annoncée est une mesure sur Jetson Xavier NX, pas une garantie pour tout dispositif edge ni pour toute situation de crue.
Source
Fabian Schmalstieg, Karsten Müller et Wojciech Samek, « Cross-Architecture Foundation-Model Distillation for Edge Flood Segmentation », ArXiv 2609.20441v1 : résumé et preprint, PDF.