Riepilogo Tecnico: Apprendimento del Focalizzazione del Radar ad Apertura Sintetica Online con Modelli a Spazio di Stato

1. Enunciato del Problema

La formazione delle immagini del Radar ad Apertura Sintetica (SAR) convenzionale si basa su pipeline di elaborazione a blocchi (ad esempio, Algoritmo Range-Doppler, Backprojection) che richiedono la memorizzazione in buffer dell'intera apertura sintetica prima di generare immagini focalizzate. Sebbene efficienti per l'elaborazione in batch, questi metodi introducono una latenza sostanziale e un elevato consumo di memoria, impedendo la realizzazione di un sistema SAR Cognitivo (CSAR) ad anello chiuso. In un contesto CSAR, un radar deve adattare i propri parametri (puntamento del fascio, forma d'onda, PRF) in base al feedback dall'ambiente osservato; tuttavia, la latenza intrinseca nella focalizzazione tradizionale impedisce il processo decisionale in tempo reale durante l'acquisizione dei dati. Gli approcci esistenti di machine learning per il SAR operano tipicamente offline su array completi o patch, non riuscendo a soddisfare la necessità di inferenza in streaming, riga per riga.

2. Metodologia

Gli autori propongono l'Elaboratore SAR Online (OSP), un framework che riformula la formazione dell'immagine SAR come un problema di inferenza online sotto l'assunzione di apertura sintetica lineare.

2.1 Architettura Principale

L'OSP tratta l'acquisizione SAR come un flusso, producendo l'output dell'immagine focalizzata riga per riga (riga di range per riga di range) durante l'acquisizione.

• Modello a Spazio di Stato (SSM): Il cuore dell'OSP è un modello surrogato a spazio di stato compatto e causale. Invece di memorizzare in buffer un'apertura azimutale completa ed eseguire Trasformate di Fourier Veloci (FFT), l'OSP mantiene uno stato nascosto ricorrente a dimensione fissa per ogni cella di range.
• Formulazione Ricorrente: Per una cella di range $r$ all'impulso $k$, il modello aggiorna uno stato nascosto $s_{k,r}$ basato sul campione complesso corrente $z_{k,r}$ e su una caratteristica di posizione di range $p_r$:
  $$s_{k+1,r} = g_\theta(s_{k,r}, z_{k,r}, p_r)$$
  $$\hat{x}_{k,r} = h_\theta(s_{k+1,r})$$
  dove $g_\theta$ e $h_\theta$ sono parametri condivisi tra tutte le celle di range. Ciò permette al modello di elaborare un'intera riga con un footprint di memoria indipendente dalla lunghezza dell'apertura.
• Dimensione del Modello: Il modello studente deployabile è estremamente compatto, contenente solo 208 parametri addestrabili (utilizzando 4 livelli S4D con una dimensione nascosta di 8).

2.2 Strategia di Addestramento: Distillazione Maestro-Studente

Per addestrare efficacemente un modello così piccolo, gli autori adottano un approccio di distillazione della conoscenza multistadio:

1. Ottimizzazione del Maestro: Un modello "maestro" a capacità superiore (4 livelli, dimensione nascosta 512) viene addestrato utilizzando una Funzione di Perdita per la Focalizzazione Azimutale ($L_{AF}$) specializzata. Questa perdita combina la ricostruzione punto per punto con termini vincolati dalla fisica, inclusi:
   • Fedeltà ai dati complessi ($L_{complex}$).
   • Ricostruzione dell'ampiezza logaritmica ($L_{log\ amp}$) per gestire la gamma dinamica.
   • Correlazione dell'ampiezza ($L_{amp-corr}$) per abbinare le forme di risposta.
   • Adattamento della coda ($L_{tail}$) per i rari scatterer ad alta intensità.
   • Termini di gradiente, Densità Spettrale di Potenza (PSD), larghezza di focalizzazione e bordi per preservare la nitidezza strutturale e il contenuto spettrale.
2. Distillazione dello Studente: Il modello studente compatto viene addestrato per riprodurre sia il target focalizzato ground-truth sia la risposta complessa soft del maestro congelato. La perdita dello studente combina la $L_{AF}$ ground-truth con un termine di distillazione $D(\hat{z}_S, \hat{z}_T)$ che penalizza le discrepanze in magnitudine complessa, ampiezza logaritmica, correlazione e fase.

2.3 Dataset e Valutazione

Il metodo è stato valutato su 300 GB di dati SAR provenienti dal dataset Maya4 (derivato da Sentinel-1), contenente prodotti grezzi, compressi in range, corretti per la migrazione delle celle di range (RCMC) e compressi in azimut. La valutazione ha confrontato l'OSP con un RDA standard in batch e un RDA "riga per riga" (che memorizza in buffer una finestra di storia per elaborare le righe in sequenza).

3. Contributi Chiave

1. Formulazione: Riformulare la focalizzazione azimutale SAR come un problema di inferenza online utilizzando ricorrenze a spazio di stato causali.
2. Framework OSP: Introdurre il primo Elaboratore SAR Online capace di focalizzazione riga per riga con un footprint di memoria fisso e senza necessità di bufferizzazione dell'intera apertura.
3. Funzione di Perdita: Definire una funzione di perdita per la focalizzazione azimutale vincolata dalla fisica che bilancia fedeltà complessa, struttura radiometrica e proprietà spettrali.
4. Pipeline di Distillazione: Dimostrare che un modello minuscolo (208 parametri) può approssimare una focalizzazione ad alta fedeltà tramite distillazione da un maestro ottimizzato in più stadi.
5. Dimostrazione Concettuale a Valle: Validare l'utilità degli output OSP per il supporto decisionale a bassa latenza, specificamente rilevamento di navi basato su CFAR e segmentazione delle inondazioni.

4. Risultati

• Latenza: L'OSP raggiunge una latenza circa 70 volte inferiore rispetto a una baseline di elaborazione digitale del segnale (DSP) riga per riga. Su un singolo core CPU AMD, l'OSP elabora una riga di range in 16 ms.
• Memoria: Il metodo riduce l'utilizzo di memoria di 130 volte, con un footprint di soli 6 MB per riga rispetto a 780 MB per l'RDA riga per riga e 16 GB per l'RDA in batch.
• Qualità della Focalizzazione:
  • Il modello studente distillato mantiene una qualità di focalizzazione sufficiente a supportare compiti a valle.
  • Quantitativamente, lo studente mostra un aumento del 2,16% nell'RMSE e una diminuzione del 55,3% nella correlazione di ampiezza rispetto al maestro.
  • Qualitativamente, lo studente recupera la disposizione grezza focalizzata e la morfologia principale della scena (ad esempio, campi agricoli, strutture costiere) ma mostra una fedeltà strutturale inferiore e artefatti più forti a strisce rispetto al maestro o alla DSP tradizionale.
• Prestazioni a Valle: Gli output OSP hanno permesso con successo:
  • Rilevamento di Navi: Utilizzando un rilevatore CFAR (Tasso di Falsa Allarme Costante) riga per riga sul Porto di Santos, Brasile.
  • Mappatura delle Inondazioni: Segmentazione a soglia fissa dei corpi idrici intorno a San Paolo.

5. Significato e Affermazioni

Il documento afferma che una porzione sostanziale dell'operatore di focalizzazione azimutale può essere rappresentata come un sistema dinamico causale compatto. Ciò consente una riduzione radicale della latenza e della memoria, abilitando un ri-tasking rapido del sensore in potenziali applicazioni CSAR.

Gli autori sono modesti riguardo allo stato attuale della tecnologia:

• Ambito: La formulazione attuale assume un'apertura sintetica lineare (acquisizione stripmap, geometria broadside, estensione angolare modesta) e si basa su pre-elaborazione front-end che rende il compito azimutale ben condizionato. Non è ancora una sostituzione immediata per acquisizioni con forte squint, spotlight o fortemente corrotte dal moto.
• Fedeltà: Il modello studente è "sufficientemente buono per applicazioni approssimative basate sull'ampiezza" ma non è ancora affidabile per compiti che richiedono fase accurata o output complessi calibrati (ad esempio, interferometria).
• Ruolo Operativo: L'OSP è presentato come un componente per il triage rapido all'interno di una catena operativa più ampia, permettendo ai moduli a valle di iniziare a operare prima che venga raccolta un'intera apertura, mentre metodi offline a bassa fedeltà producono output di archivio.

Il lavoro dimostra che la focalizzazione online è meno un problema di approssimazione di funzioni con forza bruta e più un problema di apprendimento di operatori vincolato strutturalmente, dove la regolarizzazione e il bilanciamento della perdita sono più critici della capacità grezza del modello.