💻 computer science

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

Ce papier propose deux nouveaux algorithmes de suréchantillonnage dans l'espace des caractéristiques, M2m $_f$ et M2m $_u$ , qui traitent efficacement le déséquilibre des classes dans la classification des navires SAR en améliorant considérablement les scores F1 sur les ensembles de données OpenSARShip et FuSARShip par rapport aux méthodes existantes.

Auteurs originaux : Ch Muhammad Awais, Marco Reggiannini, Davide Moroni, Oktay Karakus

Publié 2026-05-28

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Ch Muhammad Awais, Marco Reggiannini, Davide Moroni, Oktay Karakus

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Le Grand Problème : La « Classe Injuste »

Imaginez que vous êtes un enseignant essayant de donner un cours sur différents types de navires. Vous possédez un énorme manuel (le jeu de données) contenant des images de navires. Cependant, le livre est déséquilibré :

Il y a 1 000 images de grands cargos.
Il n'y a que 50 images de bateaux de pêche.

Si vous formez un élève (un modèle d'IA) avec ce livre, il deviendra un expert pour repérer les cargos mais échouera lamentablement à identifier les bateaux de pêche. Il se contentera de deviner « cargo » à chaque fois, car c'est ce qu'il voit le plus souvent. Dans le monde des images radar (SAR), c'est un problème majeur car ces images sont souvent granuleuses et bruyantes, ce qui rend difficile l'enseignement à l'IA avec seulement quelques exemples.

L'Ancienne Solution : « Copier-Coller » (et pourquoi elle a échoué)

Habituellement, lorsque les enseignants n'ont pas assez d'exemples d'objets rares, ils tentent d'« augmenter » les données. Cela revient à prendre une seule photo d'un bateau de pêche, à la retourner, à la rendre légèrement plus lumineuse ou à faire un zoom, et à faire semblant que ce sont de nouvelles photos uniques.

Les auteurs affirment que cela ne fonctionne pas bien pour les images radar. Parce que les images radar sont si bruyantes et de faible résolution, le simple fait de les copier-coller crée des images qui paraissent factices et qui confondent l'IA au lieu de l'aider.

La Nouvelle Solution : « La Boulangerie de l'Espace des Caractéristiques »

Au lieu d'essayer de créer plus de photos de navires rares, les auteurs ont décidé de travailler avec l'essence des navires.

Imaginez que l'IA a déjà examiné toutes les images et rédigé un « profil de saveur » pour chacune d'elles.

Profil de saveur du Cargo : « Lourd, carré, long. »
Profil de saveur du Bateau de pêche : « Petit, agile, forme spécifique. »

Les auteurs proposent une nouvelle méthode appelée Suréchantillonnage dans l'Espace des Caractéristiques. Au lieu de cuire de nouveaux gâteaux (images), ils prennent les « profils de saveur » (caractéristiques mathématiques) des navires communs et les mélangent avec ceux des navires rares pour créer des profils de saveur synthétiques.

Ils ont créé deux nouvelles recettes (algorithmes) pour effectuer ce mélange :

Recette M2mf (Le « Mélangeur Sécurisé ») :
- Cette méthode prend un « profil de saveur » d'un navire commun et le pousse doucement vers le « centre » du profil de saveur du navire rare.
- La Vérification de Sécurité : Avant d'ajouter cette nouvelle saveur synthétique au mélange, elle vérifie : « Cette nouvelle saveur est-elle trop similaire à celles que nous avons déjà ? » Si elle est trop similaire, elle la rejette. Cela garantit que chaque nouvel exemple est unique et apporte quelque chose de nouveau au processus d'apprentissage.
Recette M2mu (Le « Correspondant de Similarité ») :
- Cette méthode pousse également les saveurs communes vers les saveurs rares.
- La Vérification de Sécurité : Au lieu de vérifier l'unicité, elle vérifie : « Cette nouvelle saveur ressemble-t-elle vraiment à un vrai navire rare ? » Elle utilise un « score de similarité » pour s'assurer que l'exemple synthétique ne s'éloigne pas trop de ce à quoi ressemble réellement un bateau de pêche.

L'Expérience : Le Test de Dégustation

Les auteurs ont testé ces deux recettes sur deux « livres de cuisine » (jeux de données) différents :

OpenSARShip : Une collection standard d'images radar de navires.
FuSARShip : Une collection plus récente et de meilleure qualité.

Ils ont utilisé trois différents « dégustateurs » (modèles d'IA : ViT, VGG16 et ResNet50) pour déterminer quelle recette fonctionnait le mieux.

Les Résultats : Qu'est-ce qui a fonctionné ?

L'Ancienne Méthode a Échoué : La méthode traditionnelle de copier-coller d'images (appelée M2morig) a en fait fait baisser les performances de l'IA ou les a laissées inchangées. Elle a confondu l'IA.
La Nouvelle Méthode a Réussi : Les deux nouvelles recettes de « mélange de saveurs » des auteurs (M2mf et M2mu) ont considérablement amélioré la capacité de l'IA à repérer les navires rares.
- Sur le jeu de données FuSARShip, la recette M2mu a été la gagnante, augmentant la précision de l'IA de près de 9 %.
- Sur le jeu de données OpenSARShip, la recette M2mf était légèrement meilleure, augmentant la précision d'environ 5 %.

La Surprise du « Sous-ajustement » :
L'un des dégustateurs (ResNet50) a eu du mal dans presque tous les scénarios. Les auteurs suggèrent que ce modèle était trop « profond » et complexe pour la quantité limitée de données, ce qui l'a amené à se confondre (sous-ajustement), tandis que les autres modèles (ViT et VGG) ont géré les nouvelles recettes beaucoup mieux.

La Conclusion

Le document prouve que pour la classification des navires radar, il vaut mieux mélanger l'« essence » des données que de copier les images.

En créant des caractéristiques synthétiques (la description mathématique du navire) plutôt que des images synthétiques, l'IA apprend à reconnaître les navires rares beaucoup mieux. Cette approche est également moins chère et plus rapide car vous n'avez pas à retraiter l'image entière ; vous mélangez simplement les « saveurs » mathématiques et vous entraînez le classificateur final.

En bref : Ne tentez pas de fabriquer de fausses photos de navires rares. À la place, mélangez mathématiquement la « vibe » des navires communs pour créer de nouveaux exemples réalistes des navires rares, et votre IA apprendra beaucoup plus vite.

Résumé technique : Suréchantillonnage dans l'espace des caractéristiques pour traiter le déséquilibre des classes dans la classification des navires SAR

Énoncé du problème
La classification des navires par Radar à Ouverture Synthétique (SAR) est cruciale pour la surveillance du trafic maritime, mais elle fait face à des défis majeurs dus à la rareté des données et à un déséquilibre sévère des classes. Les approches d'apprentissage profond traditionnelles peinent souvent avec ces jeux de données à longue traîne. Si l'augmentation des données dans l'espace des échantillons (niveau image) est courante pour les données optiques, elle échoue fréquemment pour les images SAR en raison du bruit inhérent et de la faible résolution. De plus, le transfert d'apprentissage standard, qui fige les extracteurs de caractéristiques, ne résout pas intrinsèquement le problème du déséquilibre. Les auteurs identifient le besoin de méthodes capables de générer des données synthétiques pour équilibrer les classes sans dépendre de manipulations fragiles au niveau de l'image.

Méthodologie
Le cadre proposé déplace le processus de suréchantillonnage de l'espace des échantillons vers l'espace des caractéristiques. Le pipeline comprend trois étapes :

Extraction de caractéristiques : Un modèle pré-entraîné (VGG16, ResNet50 ou ViT) avec des poids figés extrait les caractéristiques des images SAR.
Suréchantillonnage des caractéristiques : Deux algorithmes novateurs, M2mf et M2mu, sont appliqués aux caractéristiques extraites pour générer des échantillons synthétiques pour les classes minoritaires en utilisant les caractéristiques des classes majoritaires.
- M2mf (Majoritaire vers minoritaire - caractéristiques) : Inspiré de la méthode M2m originale dans l'espace des échantillons, cet algorithme calcule les centroïdes de classe pour les classes minoritaires. Il génère des caractéristiques synthétiques en perturbant les caractéristiques des classes majoritaires vers ces centroïdes. Une caractéristique synthétique n'est conservée que si elle maintient une distance minimale ( $d_t = 0.5$ ) par rapport aux caractéristiques synthétiques existantes afin d'assurer son unicité.
- M2mu (Majoritaire vers minoritaire - unique) : Cette variation conserve une caractéristique synthétique uniquement si elle est « similaire » aux caractéristiques originales de la classe minoritaire cible. La similarité est mesurée à l'aide de la similarité cosinus, et une caractéristique n'est conservée que si elle dépasse un seuil ( $sim_t = 0.8$ ).
Classification : L'ensemble de caractéristiques augmenté (original + synthétique) est utilisé pour entraîner un classifieur (un bloc entièrement connecté avec ReLU et dropout) tandis que l'extracteur de caractéristiques reste figé.

Les auteurs ont évalué ces méthodes sur deux jeux de données publics : OpenSARShip (6 classes) et FuSARShip (9 classes), en testant diverses configurations de classes (2, 4, 6 et 9 classes) pour simuler différents scénarios de déséquilibre.

Contributions clés

Algorithmes novateurs : L'article présente deux cadres de suréchantillonnage dans l'espace des caractéristiques (M2mf et M2mu) spécifiquement adaptés du concept Majoritaire vers minoritaire (M2m) pour traiter le déséquilibre dans la classification des navires SAR.
Focus sur l'espace des caractéristiques : Contrairement aux méthodes traditionnelles qui augmentent les images brutes, ce travail exploite l'espace des caractéristiques pour générer des données synthétiques, atténuant ainsi les problèmes liés au bruit et à la résolution des SAR.
Évaluation complète : L'étude compare rigoureusement les méthodes proposées à une ligne de base (extracteur figé + classifieur) et à la méthode M2m originale dans l'espace des échantillons (M2morig) à travers plusieurs architectures de pointe (ViT, VGG16, ResNet50) et configurations de jeux de données.

Résultats
Les expériences ont démontré que le suréchantillonnage dans l'espace des caractéristiques surpasse nettement à la fois la ligne de base et la méthode M2m dans l'espace des échantillons :

Performance globale : Les méthodes proposées ont atteint une augmentation moyenne du score F1 de 8,82 % sur le jeu de données FuSARShip et de 4,44 % sur le jeu de données OpenSARShip par rapport à la ligne de base.
Comparaison des méthodes :
- Sur FuSARShip, M2mu a généralement produit les meilleurs résultats, surpassant M2mf de 0,63 % en moyenne.
- Sur OpenSARShip, M2mf a légèrement mieux performé en moyenne, surpassant M2mu de 0,98 %.
- Le M2morig original dans l'espace des échantillons a systématiquement sous-performé, obtenant souvent des scores inférieurs à la ligne de base, en particulier dans les jeux de données comportant 4 classes ou plus.
Sensibilité du modèle : ViT et VGG16 ont montré une performance améliorée avec le suréchantillonnage. En revanche, ResNet50 a fréquemment présenté des signes de sous-ajustement dans tous les scénarios, suggérant que son architecture plus profonde pourrait être moins adaptée aux jeux de données SAR limités utilisés dans cette étude.
Configuration des classes : L'efficacité des méthodes variait selon le nombre de classes. Par exemple, M2mu excellait dans les configurations FuSARShip à 4 et 9 classes, tandis que M2mf était supérieur dans les configurations OpenSARShip à 2 et 6 classes.

Importance et affirmations
L'article affirme que le suréchantillonnage dans l'espace des caractéristiques est une solution rentable et robuste pour la classification des navires SAR. En opérant dans l'espace des caractéristiques, l'approche élimine le besoin de relancer le processus d'extraction de caractéristiques pour l'ensemble de l'architecture lors de l'augmentation ; seul le classifieur nécessite un réentraînement sur les caractéristiques synthétiques. Cela réduit les ressources informatiques et le temps d'entraînement.

Les auteurs soulignent que leur travail met en lumière les limites du suréchantillonnage dans l'espace des échantillons pour les données SAR et valide l'efficacité des interventions au niveau des caractéristiques. Ils concluent que, bien que leurs méthodes améliorent considérablement les performances sur les jeux de données SAR déséquilibrés, les travaux futurs devraient se concentrer sur le développement de techniques de suréchantillonnage dans l'espace des échantillons dédiées aux SAR et sur l'affinement ultérieur des méthodes dans l'espace des caractéristiques pour une application plus large.