Résumé technique : Apprentissage de la mise au point du Radar à Ouverture Synthétique en ligne avec des modèles d'espace d'état

1. Énoncé du problème

La formation d'images conventionnelle par Radar à Ouverture Synthétique (SAR) repose sur des pipelines de traitement par blocs (par exemple, l'algorithme Range-Doppler, la rétroprojection) qui nécessitent de mettre en mémoire tampon toute l'ouverture synthétique avant de générer des images mises au point. Bien que efficaces pour le traitement par lots, ces méthodes introduisent une latence substantielle et une empreinte mémoire élevée, empêchant la réalisation d'un système SAR Cognitif (CSAR) en boucle fermée. Dans un contexte CSAR, un radar doit adapter ses paramètres (pointage du faisceau, forme d'onde, PRF) en fonction des retours de l'environnement observé ; cependant, la latence inhérente aux méthodes de mise au point traditionnelles empêche la prise de décision en temps réel lors de l'acquisition des données. Les approches d'apprentissage automatique existantes pour le SAR fonctionnent généralement hors ligne sur des tableaux complets ou des patches, ne répondant pas au besoin d'inférence en flux continu, ligne par ligne.

2. Méthodologie

Les auteurs proposent le Processeur SAR en ligne (OSP), un cadre qui reformule la formation d'images SAR comme un problème d'inférence en ligne sous l'hypothèse d'une ouverture synthétique linéaire.

2.1 Architecture centrale

L'OSP traite la détection SAR comme un flux, produisant une sortie d'image mise au point ligne par ligne (ligne de portée par ligne de portée) pendant l'acquisition.

• Modèle d'espace d'état (SSM) : Le cœur de l'OSP est un modèle substitut d'espace d'état causal et compact. Au lieu de mettre en mémoire tampon une ouverture azimutale complète et d'effectuer des Transformées de Fourier Rapides (FFT), l'OSP maintient un état caché récurrent de taille fixe pour chaque cellule de portée.
• Formulation récurrente : Pour une cellule de portée $r$ à l'impulsion $k$, le modèle met à jour un état caché $s_{k,r}$ basé sur l'échantillon complexe actuel $z_{k,r}$ et une caractéristique de position de portée $p_r$ :
  $$s_{k+1,r} = g_\theta(s_{k,r}, z_{k,r}, p_r)$$
  $$\hat{x}_{k,r} = h_\theta(s_{k+1,r})$$
  où $g_\theta$ et $h_\theta$ sont des paramètres partagés entre toutes les cellules de portée. Cela permet au modèle de traiter une ligne entière avec une empreinte mémoire indépendante de la longueur de l'ouverture.
• Taille du modèle : Le modèle étudiant déployable est extrêmement compact, ne contenant que 208 paramètres entraînables (utilisant 4 couches S4D avec une dimension cachée de 8).

2.2 Stratégie d'entraînement : Distillation Enseignant-Étudiant

Pour entraîner efficacement un modèle aussi petit, les auteurs emploient une approche de distillation de connaissances multi-étapes :

1. Optimisation de l'enseignant : Un modèle « enseignant » de plus grande capacité (4 couches, dimension cachée 512) est entraîné en utilisant une Perte de mise au point azimutale spécialisée ($L_{AF}$). Cette perte combine une reconstruction point par point avec des termes contraints par la physique, incluant :
   • Fidélité des données complexes ($L_{complex}$).
   • Reconstruction de l'amplitude logarithmique ($L_{log\ amp}$) pour gérer la plage dynamique.
   • Corrélation d'amplitude ($L_{amp-corr}$) pour correspondre aux formes de réponse.
   • Adaptation des queues ($L_{tail}$) pour les diffuseurs rares à haute intensité.
   • Termes de gradient, de Densité Spectrale de Puissance (PSD), de largeur de mise au point et de bord pour préserver la netteté structurelle et le contenu spectral.
2. Distillation de l'étudiant : Le modèle étudiant compact est entraîné pour reproduire à la fois la cible mise au point de référence et la réponse complexe douce de l'enseignant figé. La perte de l'étudiant combine la $L_{AF}$ de référence avec un terme de distillation $D(\hat{z}_S, \hat{z}_T)$ qui pénalise les écarts en magnitude complexe, amplitude logarithmique, corrélation et phase.

2.3 Jeu de données et évaluation

La méthode a été évaluée sur 300 Go de données SAR issues du jeu de données Maya4 (dérivé de Sentinel-1), contenant des produits bruts, compressés en portée, corrigés de la migration des cellules de portée (RCMC) et compressés en azimut. L'évaluation a comparé l'OSP à un RDA par lots standard et à un RDA « ligne par ligne » (qui met en mémoire tampon une fenêtre d'historique pour traiter les lignes séquentiellement).

3. Contributions clés

1. Formulation : Reformulation de la mise au point azimutale SAR comme un problème d'inférence en ligne utilisant des récurrences d'espace d'état causales.
2. Cadre OSP : Introduction du premier Processeur SAR en ligne capable de mise au point ligne par ligne avec une empreinte mémoire fixe et sans nécessité de mise en mémoire tampon de l'ouverture complète.
3. Fonction de perte : Définition d'une perte de mise au point azimutale contrainte par la physique qui équilibre la fidélité complexe, la structure radiométrique et les propriétés spectrales.
4. Pipeline de distillation : Démonstration qu'un modèle minuscule (208 paramètres) peut approximer une mise au point de haute fidélité via la distillation d'un enseignant optimisé en plusieurs étapes.
5. Preuve de concept en aval : Validation de l'utilité des sorties OSP pour le soutien à la décision à faible latence, spécifiquement la détection de navires basée sur CFAR et la segmentation d'inondations.

4. Résultats

• Latence : L'OSP atteint une latence environ 70 fois plus faible par rapport à une base de référence de traitement numérique du signal (DSP) ligne par ligne. Sur un seul cœur de processeur AMD, l'OSP traite une ligne de portée en 16 ms.
• Mémoire : La méthode réduit l'utilisation de la mémoire par un facteur 130, avec une empreinte de seulement 6 Mo par ligne par rapport à 780 Mo pour le RDA ligne par ligne et 16 Go pour le RDA par lots.
• Qualité de mise au point :
  • Le modèle étudiant distillé maintient une qualité de mise au point suffisante pour soutenir les tâches en aval.
  • Quantitativement, l'étudiant montre une augmentation de 2,16 % de l'erreur quadratique moyenne (RMSE) et une diminution de 55,3 % de la corrélation d'amplitude par rapport à l'enseignant.
  • Qualitativement, l'étudiant récupère la disposition grossière mise au point et la morphologie majeure de la scène (par exemple, champs agricoles, structures côtières) mais présente une fidélité structurelle plus faible et des artefacts plus forts par bande par rapport à l'enseignant ou au DSP traditionnel.
• Performance en aval : Les sorties OSP ont permis avec succès :
  • Détection de navires : Utilisation d'un détecteur à taux de fausse alarme constant (CFAR) ligne par ligne sur le port de Santos, au Brésil.
  • Cartographie des inondations : Segmentation à seuil fixe des masses d'eau autour de São Paulo.

5. Signification et affirmations

L'article affirme qu'une partie substantielle de l'opérateur de mise au point azimutale peut être représentée comme un système dynamique causal compact. Cela permet une réduction radicale de la latence et de la mémoire, permettant un repointage rapide des capteurs dans les applications CSAR potentielles.

Les auteurs sont modestes quant à l'état actuel de la technologie :

• Portée : La formulation actuelle suppose une ouverture synthétique linéaire (acquisition en mode balayage, géométrie à l'abattage, étendue angulaire modeste) et repose sur un prétraitement en amont qui rend la tâche azimutale bien conditionnée. Elle n'est pas encore un remplacement direct pour les acquisitions à forte dépointage, en mode spot ou fortement corrompues par le mouvement.
• Fidélité : Le modèle étudiant est « assez bon pour des applications approximatives basées sur l'amplitude » mais n'est pas encore fiable pour des tâches nécessitant une phase précise ou des sorties complexes calibrées (par exemple, l'interférométrie).
• Rôle opérationnel : L'OSP est présenté comme un composant pour le triage rapide au sein d'une chaîne opérationnelle plus large, permettant aux modules en aval de commencer à fonctionner avant qu'une ouverture complète ne soit collectée, tandis que des méthodes hors ligne plus lentes et de haute fidélité produisent des archives.

Le travail démontre que la mise au point en ligne est moins un problème d'approximation de fonction par force brute qu'un problème d'apprentissage d'opérateur structurellement contraint, où la régularisation et l'équilibre des pertes sont plus critiques que la capacité brute du modèle.