💻 computer science

Feature-Space Oversampling for Addressing Class Imbalance in SAR Ship Classification

Este artículo propone dos algoritmos novedosos de sobremuestreo en el espacio de características, M2m $_f$ y M2m $_u$ , que abordan eficazmente el desequilibrio de clases en la clasificación de buques SAR al mejorar significativamente las puntuaciones F1 en los conjuntos de datos OpenSARShip y FuSARShip en comparación con los métodos existentes.

Autores originales: Ch Muhammad Awais, Marco Reggiannini, Davide Moroni, Oktay Karakus

Publicado 2026-05-28

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Ch Muhammad Awais, Marco Reggiannini, Davide Moroni, Oktay Karakus

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

El Gran Problema: El "Aula Injusta"

Imagina que eres un profesor intentando enseñar a una clase sobre diferentes tipos de barcos. Tienes un libro de texto enorme (el conjunto de datos) con imágenes de barcos. Sin embargo, el libro está desequilibrado:

Hay 1.000 imágenes de grandes buques de carga.
Solo hay 50 imágenes de barcos de pesca.

Si entrenas a un estudiante (un modelo de IA) con este libro, se convertirá en un experto en detectar buques de carga, pero fracasará estrepitosamente al identificar barcos de pesca. Simplemente adivinará "buque de carga" cada vez, porque eso es lo que ve con más frecuencia. En el mundo de las imágenes de radar (SAR), este es un problema enorme, porque estas imágenes suelen ser granuladas y ruidosas, lo que dificulta enseñar a la IA con solo unos pocos ejemplos.

La Vieja Solución: "Copiar y Pegar" (y por qué falló)

Por lo general, cuando los profesores no tienen suficientes ejemplos de los elementos raros, intentan "aumentar" los datos. Esto es como tomar una sola foto de un barco de pesca, darle la vuelta, hacerla un poco más brillante o hacer zoom, y fingir que estas son fotos nuevas y únicas.

Los autores dicen que esto no funciona bien para las imágenes de radar. Debido a que las imágenes de radar son tan ruidosas y de baja resolución, simplemente copiarlas y pegarlas crea imágenes que parecen falsas y confunden a la IA en lugar de ayudarla.

La Nueva Solución: "La Panadería del Espacio de Características"

En lugar de intentar hacer más imágenes de los barcos raros, los autores decidieron trabajar con la esencia de los barcos.

Imagina que la IA ya ha visto todas las imágenes y ha escrito un "perfil de sabor" para cada una.

Sabor de Buque de Carga: "Pesado, cuadrado, largo".
Sabor de Barco de Pesca: "Pequeño, ágil, forma específica".

Los autores proponen un nuevo método llamado Sobremuestreo en el Espacio de Características. En lugar de hornear pasteles nuevos (imágenes), toman los "perfiles de sabor" (características matemáticas) de los barcos comunes y los mezclan con los barcos raros para crear perfiles de sabor sintéticos.

Crearon dos nuevas recetas (algoritmos) para realizar esta mezcla:

Receta M2mf (El "Mezclador Seguro"):
- Este método toma un "perfil de sabor" de un barco común y lo empuja suavemente hacia el "centro" del sabor del barco raro.
- La Verificación de Seguridad: Antes de añadir este nuevo sabor sintético a la mezcla, verifica: "¿Es este nuevo sabor demasiado similar a los que ya tenemos?" Si es demasiado similar, lo descarta. Esto asegura que cada nuevo ejemplo sea único y añada algo nuevo al proceso de aprendizaje.
Receta M2mu (El "Emparejador de Similitud"):
- Este método también empuja los sabores comunes hacia los raros.
- La Verificación de Seguridad: En lugar de verificar la unicidad, comprueba: "¿Este nuevo sabor realmente se parece a un barco raro real?" Utiliza una "puntuación de similitud" para asegurarse de que el ejemplo sintético no se desvíe demasiado de lo que realmente parece un barco de pesca real.

El Experimento: La Prueba de Cata

Los autores probaron estas dos recetas en dos "libros de cocina" (conjuntos de datos) diferentes:

OpenSARShip: Una colección estándar de imágenes de barcos por radar.
FuSARShip: Una colección más nueva y de mayor calidad.

Utilizaron tres "catadores" diferentes (modelos de IA: ViT, VGG16 y ResNet50) para ver qué receta funcionaba mejor.

Los Resultados: ¿Qué Funcionó?

La Vieja Forma Falló: El método tradicional de copiar y pegar imágenes (llamado M2morig) en realidad hizo que el IA funcionara peor o se mantuvo igual. Confundió a la IA.
La Nueva Forma Triunfó: Ambas nuevas recetas de "mezcla de sabores" de los autores (M2mf y M2mu) mejoraron significativamente la capacidad de la IA para detectar los barcos raros.
- En el conjunto de datos FuSARShip, la receta M2mu fue la ganadora, aumentando la precisión de la IA en casi un 9%.
- En el conjunto de datos OpenSARShip, la receta M2mf fue ligeramente mejor, aumentando la precisión en aproximadamente un 5%.

La Sorpresa del "Ajuste Insuficiente":
Uno de los catadores (ResNet50) tuvo dificultades en casi todos los escenarios. Los autores sugieren que este modelo era demasiado "profundo" y complejo para la cantidad limitada de datos, lo que provocó que se confundiera (ajuste insuficiente), mientras que los otros modelos (ViT y VGG) manejaron las nuevas recetas mucho mejor.

La Conclusión

El artículo demuestra que para la clasificación de barcos por radar, es mejor mezclar la "esencia" de los datos que copiar las imágenes.

Al crear características sintéticas (la descripción matemática del barco) en lugar de imágenes sintéticas, la IA aprende a reconocer barcos raros mucho mejor. Este enfoque también es más barato y rápido porque no tienes que volver a procesar toda la imagen; simplemente mezclas los "sabores" matemáticos y entrenas el clasificador final.

En resumen: No intentes falsificar más fotos de barcos raros. En su lugar, mezcla matemáticamente la "vibra" de los barcos comunes para crear nuevos ejemplos realistas de los raros, y tu IA aprenderá mucho más rápido.

Resumen Técnico: Sobremuestreo en el Espacio de Características para Abordar el Desequilibrio de Clases en la Clasificación de Buques SAR

Enunciado del Problema
La clasificación de buques mediante Radar de Apertura Sintética (SAR) es crítica para la vigilancia del tráfico marítimo, pero enfrenta desafíos significativos debido a la escasez de datos y al grave desequilibrio de clases. Los enfoques tradicionales de aprendizaje profundo a menudo luchan con estos conjuntos de datos de cola larga. Si bien la augmentación de datos en el espacio de muestras (nivel de imagen) es común para datos ópticos, a menudo falla en imágenes SAR debido al ruido inherente y la baja resolución. Además, la transferencia de aprendizaje estándar, que congela los extractores de características, no resuelve inherentemente el problema del desequilibrio. Los autores identifican la necesidad de métodos que puedan generar datos sintéticos para equilibrar las clases sin depender de manipulaciones frágiles a nivel de imagen.

Metodología
El marco propuesto traslada el proceso de sobremuestreo del espacio de muestras al espacio de características. La tubería consta de tres etapas:

Extracción de Características: Un modelo preentrenado (VGG16, ResNet50 o ViT) con pesos congelados extrae características de las imágenes SAR.
Sobremuestreo de Características: Se aplican dos algoritmos novedosos, M2mf y M2mu, a las características extraídas para generar muestras sintéticas para las clases minoritarias utilizando características de las clases mayoritarias.
- M2mf (Característica de mayor a menor): Inspirado en el método original M2m en el espacio de muestras, este algoritmo calcula los centroides de clase para las clases minoritarias. Genera características sintéticas perturbando las características de la clase mayoritaria hacia estos centroides. Una característica sintética se retiene solo si mantiene una distancia mínima ( $d_t = 0.5$ ) de las características sintéticas existentes para garantizar la unicidad.
- M2mu (Única de mayor a menor): Esta variación retiene una característica sintética solo si es "similar" a las características originales de la clase minoritaria objetivo. La similitud se mide utilizando la similitud del coseno, y una característica se mantiene solo si supera un umbral ( $sim_t = 0.8$ ).
Clasificación: El conjunto de características aumentado (original + sintético) se utiliza para entrenar un clasificador (un bloque totalmente conectado con ReLU y dropout) mientras el extractor de características permanece congelado.

Los autores evaluaron estos métodos en dos conjuntos de datos públicos: OpenSARShip (6 clases) y FuSARShip (9 clases), probando varias configuraciones de clases (2, 4, 6 y 9 clases) para simular diferentes escenarios de desequilibrio.

Contribuciones Clave

Algoritmos Novedosos: El artículo introduce dos marcos de sobremuestreo en el espacio de características (M2mf y M2mu) adaptados específicamente del concepto de Mayor a Menor (M2m) para abordar el desequilibrio en la clasificación de buques SAR.
Enfoque en el Espacio de Características: A diferencia de los métodos tradicionales que aumentan imágenes crudas, este trabajo aprovecha el espacio de características para generar datos sintéticos, mitigando problemas relacionados con el ruido y la resolución de SAR.
Evaluación Exhaustiva: El estudio compara rigurosamente los métodos propuestos contra una línea base (extractor congelado + clasificador) y el método original M2m en el espacio de muestras (M2morig) a través de múltiples arquitecturas de última generación (ViT, VGG16, ResNet50) y configuraciones de conjuntos de datos.

Resultados
Los experimentos demostraron que el sobremuestreo en el espacio de características supera significativamente tanto a la línea base como al método M2m en el espacio de muestras:

Rendimiento General: Los métodos propuestos lograron un aumento promedio en la puntuación F1 del 8.82% en el conjunto de datos FuSARShip y del 4.44% en el conjunto de datos OpenSARShip en comparación con la línea base.
Comparación de Métodos:
- En FuSARShip, M2mu generalmente arrojó los mejores resultados, superando a M2mf en un 0.63% en promedio.
- En OpenSARShip, M2mf tuvo un rendimiento ligeramente mejor en promedio, superando a M2mu en un 0.98%.
- El M2morig original en el espacio de muestras rindió consistentemente mal, obteniendo a menudo puntuaciones más bajas que la línea base, particularmente en conjuntos de datos con 4 o más clases.
Sensibilidad del Modelo: ViT y VGG16 mostraron un rendimiento mejorado con el sobremuestreo. Por el contrario, ResNet50 exhibió frecuentemente signos de subajuste en todos los escenarios, lo que sugiere que su arquitectura más profunda puede ser menos adecuada para los conjuntos de datos SAR limitados utilizados en este estudio.
Configuración de Clases: La efectividad de los métodos varió según la cantidad de clases. Por ejemplo, M2mu destacó en las configuraciones de FuSARShip de 4 y 9 clases, mientras que M2mf fue superior en las configuraciones de OpenSARShip de 2 y 6 clases.

Significado y Afirmaciones
El artículo afirma que el sobremuestreo en el espacio de características es una solución rentable y robusta para la clasificación de buques SAR. Al operar en el espacio de características, el enfoque elimina la necesidad de volver a ejecutar el proceso de extracción de características para toda la arquitectura durante la augmentación; solo el clasificador requiere reentrenamiento en las características sintéticas. Esto reduce los recursos computacionales y el tiempo de entrenamiento.

Los autores enfatizan que su trabajo destaca las limitaciones del sobremuestreo en el espacio de muestras para datos SAR y valida la eficacia de las intervenciones a nivel de características. Concluyen que, si bien sus métodos mejoran significativamente el rendimiento en conjuntos de datos SAR desequilibrados, el trabajo futuro debería centrarse en desarrollar técnicas de sobremuestreo en el espacio de muestras dedicadas a SAR y refinar aún más los métodos en el espacio de características para una aplicación más amplia.