💻 computer science

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

Este artigo propõe dois novos algoritmos de superamostragem no espaço de características, M2m $_f$ e M2m $_u$ , que abordam eficazmente o desequilíbrio de classes na classificação de navios SAR, melhorando significativamente os escores F1 nos conjuntos de dados OpenSARShip e FuSARShip em comparação com métodos existentes.

Autores originais: Ch Muhammad Awais, Marco Reggiannini, Davide Moroni, Oktay Karakus

Publicado 2026-05-28

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Ch Muhammad Awais, Marco Reggiannini, Davide Moroni, Oktay Karakus

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

O Grande Problema: A "Sala de Aula Desigual"

Imagine que você é um professor tentando ensinar uma turma sobre diferentes tipos de navios. Você tem um livro didático enorme (o conjunto de dados) com fotos de navios. No entanto, o livro está desequilibrado:

Há 1.000 fotos de grandes navios cargueiros.
Há apenas 50 fotos de barcos de pesca.

Se você treinar um aluno (um modelo de IA) com este livro, ele se tornará um especialista em identificar cargueiros, mas falhará miseravelmente em identificar barcos de pesca. Ele apenas adivinhará "cargueiro" toda vez, porque é isso que vê com mais frequência. No mundo das imagens de radar (SAR), este é um problema enorme, porque essas imagens são frequentemente granuladas e ruidosas, tornando difícil ensinar a IA com apenas alguns exemplos.

A Solução Antiga: "Copiar e Colar" (e por que falhou)

Geralmente, quando os professores não têm exemplos suficientes de itens raros, eles tentam "aumentar" os dados. Isso é como pegar uma única foto de um barco de pesca, virá-la de cabeça para baixo, deixá-la ligeiramente mais brilhante ou dar zoom, e fingir que essas são novas fotos únicas.

Os autores dizem que isso não funciona bem para imagens de radar. Como as imagens de radar são tão ruidosas e de baixa resolução, simplesmente copiá-las e colá-las cria imagens com aparência falsa que confundem a IA em vez de ajudá-la.

A Nova Solução: "A Padaria do Espaço de Características"

Em vez de tentar criar mais fotos dos navios raros, os autores decidiram trabalhar com a essência dos navios.

Imagine que a IA já olhou para todas as fotos e escreveu um "perfil de sabor" para cada uma delas.

Sabor do Cargueiro: "Pesado, quadrado, longo."
Sabor do Barco de Pesca: "Pequeno, ágil, formato específico."

Os autores propõem um novo método chamado Superamostragem no Espaço de Características. Em vez de assar novos bolos (imagens), eles pegam os "perfis de sabor" (características matemáticas) dos navios comuns e os misturam com os navios raros para criar perfis de sabor sintéticos.

Eles criaram duas novas receitas (algoritmos) para fazer essa mistura:

Receita M2mf (O "Misturador Seguro"):
- Este método pega um "perfil de sabor" de um navio comum e o empurra suavemente em direção ao "centro" do sabor do navio raro.
- A Verificação de Segurança: Antes de adicionar esse novo sabor sintético à mistura, ele verifica: "Este novo sabor é muito semelhante aos que já temos?" Se for muito semelhante, ele o descarta. Isso garante que cada novo exemplo seja único e adicione algo novo ao processo de aprendizado.
Receita M2mu (O "Casador de Semelhanças"):
- Este método também empurra sabores comuns em direção aos raros.
- A Verificação de Segurança: Em vez de verificar a unicidade, ele verifica: "Este novo sabor realmente parece um navio raro real?" Ele usa uma "pontuação de semelhança" para garantir que o exemplo sintético não se afaste demais do que um barco de pesca real realmente parece.

O Experimento: O Teste de Degustação

Os autores testaram essas duas receitas em dois "livros de receitas" (conjuntos de dados) diferentes:

OpenSARShip: Uma coleção padrão de imagens de navios de radar.
FuSARShip: Uma coleção mais recente e de maior qualidade.

Eles usaram três "degustadores" diferentes (modelos de IA: ViT, VGG16 e ResNet50) para ver qual receita funcionou melhor.

Os Resultados: O Que Funcionou?

O Jeito Antigo Falhou: O método tradicional de copiar e colar imagens (chamado M2morig) na verdade fez a IA performar pior ou permaneceu a mesma. Isso confundiu a IA.
O Jeito Novo Funcionou: Ambas as novas receitas de "mistura de sabores" dos autores (M2mf e M2mu) melhoraram significativamente a capacidade da IA de identificar os navios raros.
- No conjunto de dados FuSARShip, a receita M2mu foi a vencedora, aumentando a precisão da IA em quase 9%.
- No conjunto de dados OpenSARShip, a receita M2mf foi ligeiramente melhor, aumentando a precisão em cerca de 5%.

A Surpresa do "Subajuste":
Um dos degustadores (ResNet50) lutou em quase todos os cenários. Os autores sugerem que este modelo era muito "profundo" e complexo para a quantidade limitada de dados, fazendo com que ele ficasse confuso (subajuste), enquanto os outros modelos (ViT e VGG) lidaram muito melhor com as novas receitas.

A Conclusão

O artigo prova que, para a classificação de navios por radar, é melhor misturar a "essência" dos dados do que copiar as fotos.

Ao criar características sintéticas (a descrição matemática do navio) em vez de imagens sintéticas, a IA aprende a reconhecer navios raros muito melhor. Esta abordagem também é mais barata e rápida porque você não precisa reprocessar a imagem inteira; você apenas mistura os "sabores" matemáticos e treina o classificador final.

Em resumo: Não tente falsificar mais fotos de navios raros. Em vez disso, misture matematicamente a "vibe" dos navios comuns para criar novos exemplos realistas dos raros, e sua IA aprenderá muito mais rápido.

Resumo Técnico: Sobreamostragem no Espaço de Características para Abordar o Desequilíbrio de Classes na Classificação de Navios SAR

Declaração do Problema
A classificação de navios por Radar de Abertura Sintética (SAR) é crítica para o monitoramento do tráfego marítimo, mas enfrenta desafios significativos devido à escassez de dados e ao grave desequilíbrio de classes. Abordagens tradicionais de aprendizado profundo frequentemente lutam com esses conjuntos de dados de cauda longa. Embora a augmentação de dados no espaço de amostras (nível de imagem) seja comum para dados ópticos, ela frequentemente falha para imagens SAR devido ao ruído inerente e à baixa resolução. Além disso, o aprendizado por transferência padrão, que congela os extratores de características, não resolve inerentemente o problema do desequilíbrio. Os autores identificam a necessidade de métodos que possam gerar dados sintéticos para equilibrar as classes sem depender de manipulações frágeis no nível da imagem.

Metodologia
O framework proposto desloca o processo de sobreamostragem do espaço de amostras para o espaço de características. O pipeline consiste em três etapas:

Extração de Características: Um modelo pré-treinado (VGG16, ResNet50 ou ViT) com pesos congelados extrai características de imagens SAR.
Sobreamostragem de Características: Dois algoritmos inovadores, M2mf e M2mu, são aplicados às características extraídas para gerar amostras sintéticas para classes minoritárias usando características de classes majoritárias.
- M2mf (Característica de Maioria para Minoritária): Inspirado no método original M2m no espaço de amostras, este algoritmo calcula centróides de classe para classes minoritárias. Gera características sintéticas perturbando características de classes majoritárias em direção a esses centróides. Uma característica sintética é retida apenas se mantiver uma distância mínima ( $d_t = 0.5$ ) das características sintéticas existentes para garantir unicidade.
- M2mu (Única de Maioria para Minoritária): Esta variação retém uma característica sintética apenas se for "semelhante" às características originais da classe minoritária alvo. A similaridade é medida usando similaridade de Cosseno, e uma característica é mantida apenas se exceder um limiar ( $sim_t = 0.8$ ).
Classificação: O conjunto de características aumentado (original + sintético) é usado para treinar um classificador (um bloco totalmente conectado com ReLU e dropout), enquanto o extrator de características permanece congelado.

Os autores avaliaram esses métodos em dois conjuntos de dados públicos: OpenSARShip (6 classes) e FuSARShip (9 classes), testando várias configurações de classes (2, 4, 6 e 9 classes) para simular diferentes cenários de desequilíbrio.

Principais Contribuições

Algoritmos Inovadores: O artigo introduz dois frameworks de sobreamostragem no espaço de características (M2mf e M2mu) especificamente adaptados do conceito de Maioria para Minoritária (M2m) para abordar o desequilíbrio na classificação de navios SAR.
Foco no Espaço de Características: Diferentemente de métodos tradicionais que aumentam imagens brutas, este trabalho aproveita o espaço de características para gerar dados sintéticos, mitigando problemas relacionados ao ruído e à resolução do SAR.
Avaliação Abrangente: O estudo compara rigorosamente os métodos propostos contra uma linha de base (extrator congelado + classificador) e o método original M2m no espaço de amostras (M2morig) em múltiplos backbones de última geração (ViT, VGG16, ResNet50) e configurações de conjuntos de dados.

Resultados
Os experimentos demonstraram que a sobreamostragem no espaço de características supera significativamente tanto a linha de base quanto o método M2m no espaço de amostras:

Desempenho Geral: Os métodos propostos alcançaram um aumento médio no escore F1 de 8,82% no conjunto de dados FuSARShip e 4,44% no conjunto de dados OpenSARShip em comparação com a linha de base.
Comparação de Métodos:
- No FuSARShip, o M2mu geralmente produziu os melhores resultados, superando o M2mf em média por 0,63%.
- No OpenSARShip, o M2mf performou ligeiramente melhor em média, superando o M2mu por 0,98%.
- O M2morig original no espaço de amostras performou consistentemente abaixo do esperado, frequentemente produzindo pontuações mais baixas que a linha de base, particularmente em conjuntos de dados com 4 ou mais classes.
Sensibilidade do Modelo: ViT e VGG16 mostraram desempenho aprimorado com sobreamostragem. Em contraste, o ResNet50 exibiu frequentemente sinais de subajuste em todos os cenários, sugerindo que sua arquitetura mais profunda pode ser menos adequada para os conjuntos de dados SAR limitados usados neste estudo.
Configuração de Classes: A eficácia dos métodos variou conforme a contagem de classes. Por exemplo, o M2mu se destacou nas configurações de 4 e 9 classes do FuSARShip, enquanto o M2mf foi superior nas configurações de 2 e 6 classes do OpenSARShip.

Significado e Alegações
O artigo alega que a sobreamostragem no espaço de características é uma solução econômica e robusta para a classificação de navios SAR. Ao operar no espaço de características, a abordagem elimina a necessidade de reexecutar o processo de extração de características para toda a arquitetura durante a augmentação; apenas o classificador requer retreinamento nas características sintéticas. Isso reduz recursos computacionais e tempo de treinamento.

Os autores enfatizam que seu trabalho destaca as limitações da sobreamostragem no espaço de amostras para dados SAR e valida a eficácia de intervenções no nível de características. Eles concluem que, embora seus métodos melhorem significativamente o desempenho em conjuntos de dados SAR desequilibrados, trabalhos futuros devem focar no desenvolvimento de técnicas de sobreamostragem no espaço de amostras dedicadas ao SAR e no refinamento adicional de métodos no espaço de características para aplicação mais ampla.