Resumo Técnico: Aprendizado para Focar Radar de Abertura Sintética Online com Modelos de Espaço de Estado

1. Formulação do Problema

A formação de imagens convencionais de Radar de Abertura Sintética (SAR) depende de pipelines de processamento em bloco (por exemplo, Algoritmo Range-Doppler, Backprojection) que exigem o armazenamento em buffer de toda a abertura sintética antes de gerar imagens focadas. Embora eficientes para processamento em lote, esses métodos introduzem latência substancial e grandes requisitos de memória, impedindo a realização de um sistema SAR Cognitivo (CSAR) em malha fechada. No contexto de um CSAR, um radar deve adaptar seus parâmetros (direcionamento do feixe, forma de onda, PRF) com base no feedback do ambiente observado; no entanto, a latência inerente ao foco tradicional impede a tomada de decisão em tempo real durante a aquisição de dados. As abordagens existentes de aprendizado de máquina para SAR geralmente operam offline em arrays completos ou patches, falhando em atender à necessidade de inferência em fluxo contínuo, linha por linha.

2. Metodologia

Os autores propõem o Processador SAR Online (OSP), um framework que reformula a formação de imagens SAR como um problema de inferência online sob a suposição de abertura sintética linear.

2.1 Arquitetura Central

O OSP trata a sensoriamento SAR como um fluxo, produzindo saída de imagem focada linha por linha (linha de alcance por linha de alcance) durante a aquisição.

• Modelo de Espaço de Estado (SSM): O núcleo do OSP é um modelo substituto de espaço de estado compacto e causal. Em vez de armazenar em buffer uma abertura de azimute completa e realizar Transformadas Rápidas de Fourier (FFTs), o OSP mantém um estado oculto recorrente de tamanho fixo para cada bin de alcance.
• Formulação Recorrente: Para um bin de alcance $r$ no pulso $k$, o modelo atualiza um estado oculto $s_{k,r}$ com base na amostra complexa atual $z_{k,r}$ e em um recurso de posição de alcance $p_r$:
  $$s_{k+1,r} = g_\theta(s_{k,r}, z_{k,r}, p_r)$$
  $$\hat{x}_{k,r} = h_\theta(s_{k+1,r})$$
  onde $g_\theta$ e $h_\theta$ são parâmetros compartilhados em todos os bins de alcance. Isso permite que o modelo processe uma linha inteira com um footprint de memória independente do comprimento da abertura.
• Tamanho do Modelo: O modelo estudante implantável é extremamente compacto, contendo apenas 208 parâmetros treináveis (usando 4 camadas S4D com uma dimensão oculta de 8).

2.2 Estratégia de Treinamento: Destilação Professor-Aluno

Para treinar efetivamente um modelo tão pequeno, os autores empregam uma abordagem de destilação de conhecimento em múltiplos estágios:

1. Otimização do Professor: Um modelo "professor" de maior capacidade (4 camadas, dimensão oculta 512) é treinado usando uma Função de Perda de Foco de Azimute Especializada ($L_{AF}$). Essa perda combina reconstrução ponto a ponto com termos restritos pela física, incluindo:
   • Fidelidade de dados complexos ($L_{complex}$).
   • Reconstrução de log-amplitude ($L_{log\ amp}$) para lidar com a faixa dinâmica.
   • Correlação de amplitude ($L_{amp-corr}$) para ajustar formas de resposta.
   • Ajuste de cauda ($L_{tail}$) para espalhadores raros de alta intensidade.
   • Termos de gradiente, Densidade Espectral de Potência (PSD), largura de foco e bordas para preservar a nitidez estrutural e o conteúdo espectral.
2. Destilação do Aluno: O modelo estudante compacto é treinado para reproduzir tanto o alvo focado de verdade quanto a resposta complexa suave do professor congelado. A perda do aluno combina a $L_{AF}$ de verdade com um termo de destilação $D(\hat{z}_S, \hat{z}_T)$ que penaliza discrepâncias na magnitude complexa, log-amplitude, correlação e fase.

2.3 Conjunto de Dados e Avaliação

O método foi avaliado em 300 GB de dados SAR do conjunto de dados Maya4 (derivado do Sentinel-1), contendo produtos brutos, comprimidos em alcance, corrigidos para migração de célula de alcance (RCMC) e comprimidos em azimute. A avaliação comparou o OSP contra um RDA em lote padrão e um RDA "por linha" (que armazena em buffer uma janela de histórico para processar linhas sequencialmente).

3. Principais Contribuições

1. Formulação: Reformular o foco de azimute SAR como um problema de inferência online usando recorrências de espaço de estado causais.
2. Framework OSP: Introduzir o primeiro Processador SAR Online capaz de foco linha por linha com um footprint de memória fixo e sem necessidade de armazenamento em buffer de abertura completa.
3. Função de Perda: Definir uma função de perda de foco de azimute restrita pela física que equilibra fidelidade complexa, estrutura radiométrica e propriedades espectrais.
4. Pipeline de Destilação: Demonstrar que um modelo minúsculo (208 parâmetros) pode aproximar um foco de alta fidelidade via destilação de um professor otimizado em múltiplos estágios.
5. Prova de Conceito a Montante: Validar a utilidade das saídas do OSP para suporte à decisão de baixa latência, especificamente detecção de embarcações baseada em CFAR e segmentação de inundações.

4. Resultados

• Latência: O OSP alcança aproximadamente 70× menos latência em comparação com uma base de referência de processamento digital de sinais (DSP) por linha. Em um único núcleo de CPU AMD, o OSP processa uma linha de alcance em 16 ms.
• Memória: O método reduz o uso de memória em 130×, com um footprint de apenas 6 MB por linha, comparado a 780 MB para o RDA por linha e 16 GB para o RDA em lote.
• Qualidade de Foco:
  • O modelo estudante destilado mantém qualidade de foco suficiente para suportar tarefas a montante.
  • Quantitativamente, o aluno mostra um aumento de 2,16% no RMSE e uma redução de 55,3% na correlação de amplitude em relação ao professor.
  • Qualitativamente, o aluno recupera o layout focado grosseiro e a morfologia principal da cena (por exemplo, campos agrícolas, estruturas costeiras), mas exibe menor fidelidade estrutural e artefatos mais fortes em faixas em comparação com o professor ou DSP tradicional.
• Desempenho a Montante: As saídas do OSP permitiram com sucesso:
  • Detecção de Embarcações: Usando um detector de Taxa de Falsa Alarme Constante (CFAR) por linha sobre o Porto de Santos, Brasil.
  • Mapeamento de Inundações: Segmentação por limiar fixo de corpos d'água ao redor de São Paulo.

5. Significado e Alegações

O artigo afirma que uma parte substancial do operador de foco de azimute pode ser representada como um sistema dinâmico causal compacto. Isso permite uma redução radical na latência e na memória, habilitando o reencaminhamento rápido de sensores em potenciais aplicações de CSAR.

Os autores são modestos sobre o estado atual da tecnologia:

• Escopo: A formulação atual assume uma abertura sintética linear (aquisição em stripmap, geometria broadside, extensão angular modesta) e depende de pré-processamento front-end que torna a tarefa de azimute bem condicionada. Ainda não é um substituto direto para coleções com grande inclinação (wide-squint), spotlight ou fortemente corrompidas por movimento.
• Fidelidade: O modelo estudante é "suficientemente bom para aplicações baseadas em amplitude grosseira", mas ainda não é confiável para tarefas que exigem fase precisa ou saídas complexas calibradas (por exemplo, interferometria).
• Papel Operacional: O OSP é apresentado como um componente para triagem rápida dentro de uma cadeia operacional maior, permitindo que módulos a montante comecem a operar antes que uma abertura completa seja coletada, enquanto métodos offline mais lentos e de alta fidelidade produzem saídas de arquivo.

O trabalho demonstra que o foco online é menos um problema de aproximação de função por força bruta e mais um problema de aprendizado de operador estruturalmente restrito, onde a regularização e o equilíbrio da perda são mais críticos do que a capacidade bruta do modelo.