💻 computer science

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

Questo articolo propone due nuovi algoritmi di sovracampionamento nello spazio delle caratteristiche, M2m $_f$ e M2m $_u$ , che affrontano efficacemente lo squilibrio delle classi nella classificazione delle navi SAR migliorando significativamente i punteggi F1 sui dataset OpenSARShip e FuSARShip rispetto ai metodi esistenti.

Autori originali: Ch Muhammad Awais, Marco Reggiannini, Davide Moroni, Oktay Karakus

Pubblicato 2026-05-28

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Ch Muhammad Awais, Marco Reggiannini, Davide Moroni, Oktay Karakus

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Il Grande Problema: La "Classe Sbagliata"

Immagina di essere un insegnante che cerca di spiegare a una classe i diversi tipi di navi. Hai un enorme libro di testo (il dataset) con immagini di navi. Tuttavia, il libro è sbilanciato:

Ci sono 1.000 immagini di grandi navi cargo.
Ci sono solo 50 immagini di barche da pesca.

Se addestri uno studente (un modello di intelligenza artificiale) su questo libro, diventerà un esperto nel riconoscere le navi cargo ma fallirà miseramente nell'identificare le barche da pesca. Indovinerà semplicemente "nave cargo" ogni volta perché è ciò che vede più spesso. Nel mondo delle immagini radar (SAR), questo è un enorme problema perché queste immagini sono spesso granulose e rumorose, rendendo difficile insegnare all'IA con pochi esempi.

La Vecchia Soluzione: "Copia e Incolla" (e perché ha fallito)

Di solito, quando gli insegnanti non hanno abbastanza esempi di oggetti rari, cercano di "aumentare" i dati. È come prendere una singola foto di una barca da pesca, capovolgerla, renderla leggermente più luminosa o fare uno zoom, e fingere che queste siano nuove foto uniche.

Gli autori affermano che questo non funziona bene per le immagini radar. Poiché le immagini radar sono così rumorose e a bassa risoluzione, copiarle e incollarle semplicemente crea immagini che sembrano false e confondono l'IA invece di aiutarla.

La Nuova Soluzione: "La Panetteria dello Spazio delle Caratteristiche"

Invece di cercare di creare più immagini delle navi rare, gli autori hanno deciso di lavorare con l'essenza delle navi.

Immagina che l'IA abbia già guardato tutte le immagini e scritto un "profilo di sapore" per ciascuna di esse.

Sapore Nave Cargo: "Pesante, squadrata, lunga."
Sapore Barca da Pesca: "Piccola, agile, forma specifica."

Gli autori propongono un nuovo metodo chiamato Sovracampionamento nello Spazio delle Caratteristiche. Invece di cuocere nuove torte (immagini), prendono i "profili di sapore" (caratteristiche matematiche) delle navi comuni e li mescolano con le navi rare per creare profili di sapore sintetici.

Hanno creato due nuove ricette (algoritmi) per fare questo mescolamento:

Ricetta M2mf (Il "Mescolatore Sicuro"):
- Questo metodo prende un "profilo di sapore" da una nave comune e lo spinge delicatamente verso il "centro" del sapore della nave rara.
- Il Controllo di Sicurezza: Prima di aggiungere questo nuovo sapore sintetico al mix, verifica: "Questo nuovo sapore è troppo simile a quelli che abbiamo già?" Se è troppo simile, lo scarta. Questo assicura che ogni nuovo esempio sia unico e aggiunga qualcosa di nuovo al processo di apprendimento.
Ricetta M2mu (Il "Corrispondente di Similarità"):
- Anche questo metodo spinge i sapori comuni verso quelli rari.
- Il Controllo di Sicurezza: Invece di controllare l'unicità, verifica: "Questo nuovo sapore assomiglia davvero a una vera nave rara?" Utilizza un "punteggio di similarità" per assicurarsi che l'esempio sintetico non si allontani troppo da ciò che una vera barca da pesca appare realmente.

L'Esperimento: La Degustazione

Gli autori hanno testato queste due ricette su due diversi "ricettari" (dataset):

OpenSARShip: Una raccolta standard di immagini radar di navi.
FuSARShip: Una raccolta più recente e di qualità superiore.

Hanno utilizzato tre diversi "assaggiatori" (modelli di IA: ViT, VGG16 e ResNet50) per vedere quale ricetta funzionava meglio.

I Risultati: Cosa Ha Funzionato?

Il Vecchio Metodo Ha Fallito: Il metodo tradizionale di copiare e incollare le immagini (chiamato M2morig) ha effettivamente fatto peggiorare le prestazioni dell'IA o è rimasto invariato. Ha confuso l'IA.
Il Nuovo Metodo Ha Avuto Successo: Entrambe le nuove ricette di "mescolamento di sapori" degli autori (M2mf e M2mu) hanno migliorato significativamente la capacità dell'IA di individuare le navi rare.
- Sul dataset FuSARShip, la ricetta M2mu è stata la vincitrice, aumentando l'accuratezza dell'IA di quasi il 9%.
- Sul dataset OpenSARShip, la ricetta M2mf è stata leggermente migliore, aumentando l'accuratezza di circa il 5%.

La Sorpresa del "Sotto-adattamento":
Uno degli assaggiatori (ResNet50) ha faticato in quasi ogni scenario. Gli autori suggeriscono che questo modello fosse troppo "profondo" e complesso per la quantità limitata di dati, causandogli confusione (sotto-adattamento), mentre gli altri modelli (ViT e VGG) hanno gestito le nuove ricette molto meglio.

La Conclusione

Il documento dimostra che per la classificazione delle navi radar, è meglio mescolare l'"essenza" dei dati piuttosto che copiare le immagini.

Creando caratteristiche sintetiche (la descrizione matematica della nave) invece di immagini sintetiche, l'IA impara a riconoscere le navi rare molto meglio. Questo approccio è anche più economico e veloce perché non devi rieseguire l'intera immagine; mescoli semplicemente i "sapori" matematici e addestri il classificatore finale.

In sintesi: Non cercare di falsificare più foto di navi rare. Invece, mescola matematicamente la "vibrazione" delle navi comuni per creare nuovi esempi realistici di quelle rare, e la tua IA imparerà molto più velocemente.

Riepilogo Tecnico: Sovracampionamento nello Spazio delle Caratteristiche per Affrontare lo Squilibrio di Classe nella Classificazione delle Navi SAR

Enunciato del Problema
La classificazione delle navi tramite Radar ad Apertura Sintetica (SAR) è fondamentale per il monitoraggio del traffico marittimo, ma affronta sfide significative a causa della scarsità di dati e di un grave squilibrio di classe. Gli approcci tradizionali di deep learning spesso faticano con questi dataset a coda lunga. Sebbene l'aumento dei dati nello spazio del campione (livello immagine) sia comune per i dati ottici, spesso fallisce per le immagini SAR a causa del rumore intrinseco e della bassa risoluzione. Inoltre, il transfer learning standard, che congela gli estrattori di caratteristiche, non risolve intrinsecamente il problema dello squilibrio. Gli autori identificano la necessità di metodi in grado di generare dati sintetici per bilanciare le classi senza fare affidamento su manipolazioni fragili a livello di immagine.

Metodologia
Il framework proposto sposta il processo di sovracampionamento dallo spazio del campione allo spazio delle caratteristiche. La pipeline è composta da tre fasi:

Estrazione delle Caratteristiche: Un modello pre-addestrato (VGG16, ResNet50 o ViT) con pesi congelati estrae caratteristiche dalle immagini SAR.
Sovracampionamento delle Caratteristiche: Due nuovi algoritmi, M2mf e M2mu, vengono applicati alle caratteristiche estratte per generare campioni sintetici per le classi di minoranza utilizzando caratteristiche delle classi di maggioranza.
- M2mf (Caratteristica da Maggiore a Minore): Ispirato al metodo originale M2m nello spazio del campione, questo algoritmo calcola i centroidi di classe per le classi di minoranza. Genera caratteristiche sintetiche perturbando le caratteristiche delle classi di maggioranza verso questi centroidi. Una caratteristica sintetica viene mantenuta solo se mantiene una distanza minima ( $d_t = 0.5$ ) dalle caratteristiche sintetiche esistenti per garantire l'unicità.
- M2mu (Unico da Maggiore a Minore): Questa variante mantiene una caratteristica sintetica solo se è "simile" alle caratteristiche originali della classe di minoranza target. La similarità è misurata utilizzando la similarità del coseno, e una caratteristica viene mantenuta solo se supera una soglia ( $sim_t = 0.8$ ).
Classificazione: L'insieme di caratteristiche aumentato (originale + sintetico) viene utilizzato per addestrare un classificatore (un blocco completamente connesso con ReLU e dropout) mentre l'estrattore di caratteristiche rimane congelato.

Gli autori hanno valutato questi metodi su due dataset pubblici: OpenSARShip (6 classi) e FuSARShip (9 classi), testando varie configurazioni di classe (2, 4, 6 e 9 classi) per simulare diversi scenari di squilibrio.

Contributi Chiave

Algoritmi Innovativi: Il documento introduce due framework di sovracampionamento nello spazio delle caratteristiche (M2mf e M2mu) specificamente adattati dal concetto da Maggiore a Minore (M2m) per affrontare lo squilibrio nella classificazione delle navi SAR.
Focus sullo Spazio delle Caratteristiche: A differenza dei metodi tradizionali che aumentano le immagini grezze, questo lavoro sfrutta lo spazio delle caratteristiche per generare dati sintetici, mitigando i problemi relativi al rumore e alla risoluzione SAR.
Valutazione Completa: Lo studio confronta rigorosamente i metodi proposti rispetto a una baseline (estrattore congelato + classificatore) e al metodo originale M2m nello spazio del campione (M2morig) attraverso molteplici backbones all'avanguardia (ViT, VGG16, ResNet50) e configurazioni di dataset.

Risultati
Gli esperimenti hanno dimostrato che il sovracampionamento nello spazio delle caratteristiche supera significativamente sia la baseline che il metodo M2m nello spazio del campione:

Prestazioni Complessive: I metodi proposti hanno raggiunto un aumento medio del punteggio F1 dell'8,82% sul dataset FuSARShip e del 4,44% sul dataset OpenSARShip rispetto alla baseline.
Confronto tra Metodi:
- Su FuSARShip, M2mu ha generalmente prodotto i migliori risultati, superando M2mf in media dello 0,63%.
- Su OpenSARShip, M2mf ha performance leggermente migliori in media, superando M2mu dello 0,98%.
- Il M2morig originale nello spazio del campione ha costantemente ottenuto risultati inferiori, spesso producendo punteggi più bassi della baseline, in particolare nei dataset con 4 o più classi.
Sensibilità del Modello: ViT e VGG16 hanno mostrato prestazioni migliorate con il sovracampionamento. Al contrario, ResNet50 ha frequentemente mostrato segni di underfitting in tutti gli scenari, suggerendo che la sua architettura più profonda potrebbe essere meno adatta ai dataset SAR limitati utilizzati in questo studio.
Configurazione delle Classi: L'efficacia dei metodi variava in base al numero di classi. Ad esempio, M2mu ha eccellito nelle configurazioni FuSARShip a 4 e 9 classi, mentre M2mf è stato superiore nelle configurazioni OpenSARShip a 2 e 6 classi.

Significato e Affermazioni
Il documento afferma che il sovracampionamento nello spazio delle caratteristiche è una soluzione economica e robusta per la classificazione delle navi SAR. Operando nello spazio delle caratteristiche, l'approccio elimina la necessità di rieseguire il processo di estrazione delle caratteristiche per l'intera architettura durante l'aumento; solo il classificatore richiede un riaddestramento sulle caratteristiche sintetiche. Questo riduce le risorse computazionali e il tempo di addestramento.

Gli autori sottolineano che il loro lavoro evidenzia i limiti del sovracampionamento nello spazio del campione per i dati SAR e valida l'efficacia degli interventi a livello di caratteristica. Concludono che, sebbene i loro metodi migliorino significativamente le prestazioni sui dataset SAR sbilanciati, il lavoro futuro dovrebbe concentrarsi sullo sviluppo di tecniche di sovracampionamento nello spazio del campione dedicate ai SAR e sul ulteriore affinamento dei metodi nello spazio delle caratteristiche per un'applicazione più ampia.