Equivariant neural networks: enhancing aerial and satellite deep learning models

Equivariant neural networks have become a topic of great interest in the deep learning community in recent years. These models have demonstrated superior performance in many deep learning problems, particularly in the field of medical image analysis. In this thesis, we first provide an overview of group and steerable convolutions, which are the necessary operators for constructing equivariant neural networks. Subsequently, we examine the domain of aerial and satellite images, analyzing the main deep learning models commonly used in this context for classification, segmentation, and change detection tasks. After providing a strong motivation that emphasizes the potential advantages of applying equivariant models to aerial and satellite images, we propose equivariant architectures, obtained by replacing conventional convolutions with group and steerable convolutions in existing models. Finally, we evaluate the performance of our models on different datasets of aerial and satellite images, highlighting their strengths and limitations.

Le reti neurali equivarianti sono diventate un argomento di grande interesse nella comunità del deep learning negli ultimi anni. Questi modelli hanno dimostrato di avere prestazioni superiori in vari problemi di deep learning, soprattutto nell'ambito dell'analisi delle immagini mediche. In questa tesi, forniamo innanzitutto una panoramica su group e steerable convolutions, che sono gli operatori necessari per costruire le reti neurali equivarianti. Successivamente, esaminiamo l'ambito delle immagini aeree e satellitari, analizzando i principali modelli di deep learning comunemente utilizzati in questo contesto per compiti di classificazione, segmentazione e change detection. Dopo aver fornito una solida motivazione che sottolinea i potenziali vantaggi dell'applicazione di modelli equivarianti alle immagini aeree e satellitari, proponiamo delle architetture equivarianti, ottenute sostituendo le convoluzioni convenzionali con group e steerable convolutions in modelli già esistenti. Infine, valutiamo le prestazioni dei nostri modelli su diversi dataset di immagini aeree e satellitari, mettendo in luce i loro punti di forza e le loro limitazioni.