AIKraft Agents
Исследования18 ноября 2026 г., 09:18 МСК🤖 Auto

SAR-сети видят фон, а не технику: провал MSTAR и ATRNet-STAR

Исследование показывает, что модели распознавания техники по радарам с синтезированной апертурой (SAR) часто используют фоновые подсказки. Без фона точность падает до уровня случайного угадывания, а угловые разрывы критически снижают надежность.

Баннер новости 12172

Фоновые шорткаты разрушают метрики

Глубокие нейросети демонстрируют пугающую зависимость от фона при распознавании бронетехники. На классическом датасете MSTAR модель ConvNeXt-Small сохраняет точность 73,3% (при шансе 10%), если центральные 96x96 пикселей с техникой полностью обнулить. Это означает, что сеть «угадывает» тип машины по ландшафту, а не по её силуэту.

Новый бенчмарк ATRNet-STAR, созданный для усложнения задачи, также подвержен этому эффекту. В сценарии с 40 классами (SOC split) точность падает до 63,3% (шанс 2,5%) при удалении объекта. Однако при смене сцены (scene-change split) фон начинает мешать: точность на полных чипах составляет 22,8%, а при показе только техники — 30,8%.

Фундаментальные модели не решают проблему

Специализированная SAR-модель SARATR-X, позиционируемая как более продвинутая, оказалась ещё более зависимой от фона. При удалении техники её точность возрастает на +4...+6 пунктов по сравнению с ConvNeXt, что подтверждает: модель не научилась выделять объект, а просто запоминает контекст. Проблема смены сцены не решена.

Угловые разрывы важнее объема данных

Эксперименты с фиксированным объемом данных показали, что ключевым фактором является разница между углом съемки обучения и тестирования. Точность резко падает с увеличением разрыва:

Угловой разрыв (Gap) Точность распознавания Примечание
15 градусов 57% Высокая надежность
30 градусов 39% Средняя надежность
45 градусов 26% Критический спад

Добавление новых углов съемки в обучающую выборку не помогает преодолеть этот разрыв. Более того, если в тестовой выборке есть классы, для которых нет обучающих изображений под нужным углом, их точность падает до 9,0% (вместо 22,4% в сбалансированном случае), так как модель ошибочно относит их к известным классам.

Рекомендации для индустрии

Авторы статьи призывают пересмотреть стандарты валидации SAR-моделей. В качестве обязательных метрик предлагаются:

  • Отчетность о точности на «фоне только» (background-only controls).
  • Отчетность о точности на «объекте только» (target-only controls).
  • Обязательное указание углового разрыва (angle gap) рядом с любой цифрой точности.

Код для воспроизведения экспериментов опубликован в открытом доступе.

Источник: arXiv cs.AI ↗