Resumen Técnico: Aprendizaje para Enfocar Radar de Apertura Sintética en Línea con Modelos de Espacio de Estados

1. Enunciado del Problema

La formación de imágenes convencional del Radar de Apertura Sintética (SAR) depende de pipelines de procesamiento por bloques (por ejemplo, el Algoritmo de Doppler de Rango, la Retroproyección) que requieren almacenar en búfer toda la apertura sintética antes de generar imágenes enfocadas. Aunque son eficientes para el procesamiento por lotes, estos métodos introducen una latencia sustancial y una alta huella de memoria, impidiendo la realización de un sistema SAR Cognitivo (CSAR) de bucle cerrado. En un contexto CSAR, un radar debe adaptar sus parámetros (direccionamiento del haz, forma de onda, PRF) basándose en la retroalimentación del entorno observado; sin embargo, la latencia inherente al enfoque tradicional impide la toma de decisiones en tiempo real durante la adquisición de datos. Los enfoques existentes de aprendizaje automático para SAR operan típicamente fuera de línea sobre arrays completos o parches, sin abordar la necesidad de inferencia en flujo, línea por línea.

2. Metodología

Los autores proponen el Procesador SAR en Línea (OSP), un marco que reformula la formación de imágenes SAR como un problema de inferencia en línea bajo la suposición de apertura sintética lineal.

2.1 Arquitectura Central

El OSP trata la detección SAR como un flujo, produciendo una salida de imagen enfocada línea por línea (línea de rango por línea de rango) durante la adquisición.

• Modelo de Espacio de Estados (SSM): El núcleo del OSP es un modelo sustituto compacto y causal de espacio de estados. En lugar de almacenar en búfer una apertura de acimut completa y realizar Transformadas Rápidas de Fourier (FFT), el OSP mantiene un estado oculto recurrente de tamaño fijo para cada celda de rango.
• Formulación Recurrente: Para una celda de rango $r$ en el pulso $k$, el modelo actualiza un estado oculto $s_{k,r}$ basándose en la muestra compleja actual $z_{k,r}$ y una característica de posición de rango $p_r$:
  $$s_{k+1,r} = g_\theta(s_{k,r}, z_{k,r}, p_r)$$
  $$\hat{x}_{k,r} = h_\theta(s_{k+1,r})$$
  donde $g_\theta$ y $h_\theta$ son parámetros compartidos en todas las celdas de rango. Esto permite al modelo procesar una línea completa con una huella de memoria independiente de la longitud de la apertura.
• Tamaño del Modelo: El modelo estudiante desplegable es extremadamente compacto, conteniendo solo 208 parámetros entrenables (utilizando 4 capas S4D con una dimensión oculta de 8).

2.2 Estrategia de Entrenamiento: Destilación Maestro-Alumno

Para entrenar efectivamente un modelo tan pequeño, los autores emplean un enfoque de destilación de conocimiento multietapa:

1. Optimización del Maestro: Un modelo "maestro" de mayor capacidad (4 capas, dimensión oculta 512) se entrena utilizando una Pérdida de Enfoque de Acimut Especializada ($L_{AF}$). Esta pérdida combina la reconstrucción punto a punto con términos restringidos por la física, incluyendo:
   • Fidelidad de datos complejos ($L_{complex}$).
   • Reconstrucción de log-amplitud ($L_{log\ amp}$) para manejar el rango dinámico.
   • Correlación de amplitud ($L_{amp-corr}$) para igualar las formas de respuesta.
   • Ajuste de cola ($L_{tail}$) para dispersores raros de alta intensidad.
   • Términos de gradiente, Densidad Espectral de Potencia (PSD), ancho de enfoque y bordes para preservar la nitidez estructural y el contenido espectral.
2. Destilación del Alumno: El modelo estudiante compacto se entrena para reproducir tanto el objetivo enfocado de verdad fundamental como la respuesta compleja suave del maestro congelado. La pérdida del estudiante combina la $L_{AF}$ de verdad fundamental con un término de destilación $D(\hat{z}_S, \hat{z}_T)$ que penaliza las discrepancias en magnitud compleja, log-amplitud, correlación y fase.

2.3 Conjunto de Datos y Evaluación

El método fue evaluado sobre 300 GB de datos SAR del conjunto de datos Maya4 (derivado de Sentinel-1), que contiene productos crudos, comprimidos en rango, corregidos por migración de celda de rango (RCMC) y comprimidos en acimut. La evaluación comparó al OSP contra un RDA por lotes estándar y un RDA "por líneas" (que almacena en búfer una ventana de historial para procesar líneas secuencialmente).

3. Contribuciones Clave

1. Formulación: Reformular el enfoque de acimut SAR como un problema de inferencia en línea utilizando recurrencias causales de espacio de estados.
2. Marco OSP: Introducir el primer Procesador SAR en Línea capaz de enfoque línea por línea con una huella de memoria fija y sin necesidad de almacenamiento en búfer de apertura completa.
3. Función de Pérdida: Definir una pérdida de enfoque de acimut restringida por la física que equilibra la fidelidad compleja, la estructura radiométrica y las propiedades espectrales.
4. Pipeline de Destilación: Demostrar que un modelo diminuto (208 parámetros) puede aproximar un enfoque de alta fidelidad mediante la destilación de un maestro optimizado en múltiples etapas.
5. Prueba de Concepto de Aplicación Posterior: Validar la utilidad de las salidas del OSP para el apoyo a la toma de decisiones de baja latencia, específicamente detección de buques basada en CFAR y segmentación de inundaciones.

4. Resultados

• Latencia: El OSP logra aproximadamente 70 veces menos latencia en comparación con una línea base de procesamiento de señal digital (DSP) por líneas. En un solo núcleo de CPU AMD, el OSP procesa una línea de rango en 16 ms.
• Memoria: El método reduce el uso de memoria en 130 veces, con una huella de solo 6 MB por fila en comparación con 780 MB para el RDA por líneas y 16 GB para el RDA por lotes.
• Calidad de Enfoque:
  • El modelo estudiante destilado mantiene una calidad de enfoque suficiente para apoyar tareas posteriores.
  • Cuantitativamente, el estudiante muestra un aumento del 2.16% en el RMSE y una disminución del 55.3% en la correlación de amplitud en relación con el maestro.
  • Cualitativamente, el estudiante recupera la disposición general enfocada y la morfología principal de la escena (por ejemplo, campos agrícolas, estructuras costeras), pero exhibe una fidelidad estructural más baja y artefactos más fuertes por tiras en comparación con el maestro o el DSP tradicional.
• Rendimiento en Aplicaciones Posteriores: Las salidas del OSP habilitaron con éxito:
  • Detección de Buques: Utilizando un detector de Tasa Falsa de Alarma Constante (CFAR) por líneas sobre el Puerto de Santos, Brasil.
  • Cartografía de Inundaciones: Segmentación con umbral fijo de cuerpos de agua alrededor de São Paulo.

5. Significado y Afirmaciones

El artículo afirma que una parte sustancial del operador de enfoque de acimut puede representarse como un sistema dinámico causal compacto. Esto permite una reducción radical en la latencia y la memoria, habilitando el reencuadre rápido de sensores en aplicaciones CSAR potenciales.

Los autores son modestos sobre el estado actual de la tecnología:

• Alcance: La formulación actual asume una apertura sintética lineal (adquisición en modo de barrido, geometría de frente de haz, extensión angular modesta) y depende de un preprocesamiento de front-end que hace que la tarea de acimut esté bien condicionada. Aún no es un reemplazo directo para colecciones con gran desviación, modo de foco o con movimiento severamente corrupto.
• Fidelidad: El modelo estudiante es "suficientemente bueno para aplicaciones aproximadas basadas en amplitud", pero aún no es confiable para tareas que requieren fase precisa o salidas complejas calibradas (por ejemplo, interferometría).
• Rol Operativo: El OSP se presenta como un componente para el triaje rápido dentro de una cadena operativa más grande, permitiendo que los módulos posteriores comiencen a operar antes de que se recopile una apertura completa, mientras que métodos fuera de línea más lentos y de alta fidelidad producen archivos de salida.

El trabajo demuestra que el enfoque en línea es menos un problema de aproximación de funciones a la fuerza bruta y más un problema de aprendizaje de operadores estructuralmente restringido, donde la regularización y el equilibrio de la pérdida son más críticos que la capacidad bruta del modelo.