SARATR-X : Vers la construction d’un modèle fondamental pour la reconnaissance de cibles SAR

Malgré les progrès remarquables réalisés dans le domaine de la reconnaissance automatique de cibles par radar à ouverture synthétique (SAR ATR), les récentes recherches se sont principalement concentrées sur la détection et la classification d'une catégorie spécifique, telles que les véhicules, les navires, les avions ou les bâtiments. L'une des limitations fondamentales des méthodes les plus performantes en SAR ATR réside dans leur paradigme d'apprentissage supervisé, spécialisé dans une tâche précise, limité à un petit nombre de catégories et basé sur un cadre « monde fermé », ce qui suppose une quantité massive d'échantillons correctement annotés, étiquetés coûteusement par des analystes experts en SAR, et qui présente une capacité de généralisation et une scalabilité limitées. Dans ce travail, nous effectuons la première tentative visant à construire un modèle fondamental pour la SAR ATR, nommé SARATR-X. SARATR-X apprend des représentations généralisables grâce à un apprentissage auto-supervisé (SSL) et constitue une pierre angulaire pour une adaptation efficace en termes d'étiquettes vers des tâches générales de détection et de classification de cibles SAR. Plus précisément, SARATR-X est entraîné sur 0,18 million d’échantillons non étiquetés de cibles SAR, soigneusement sélectionnés en combinant des benchmarks actuels, formant ainsi le plus grand jeu de données publiquement disponible à ce jour. En tenant compte des caractéristiques propres aux images SAR, un modèle principal spécifiquement conçu pour la SAR ATR a été soigneusement développé, et une méthode SSL en deux étapes, dotée de caractéristiques de gradient multi-échelle, a été appliquée afin d’assurer la diversité des caractéristiques et la scalabilité du modèle SARATR-X. Les capacités de SARATR-X ont été évaluées sur des tâches de classification dans des scénarios à faible nombre d’exemples (few-shot) et en termes de robustesse, ainsi que sur des tâches de détection à travers diverses catégories et scènes, obtenant des performances remarquables, souvent compétitives voire supérieures à celles des algorithmes précédents entièrement supervisés, semi-supervisés ou auto-supervisés. Notre modèle SARATR-X ainsi que le jeu de données soigneusement constitué sont mis à disposition à l’adresse suivante : https://github.com/waterdisappear/SARATR-X, afin de stimuler la recherche sur les modèles fondamentaux pour l’interprétation des images SAR.