SAR船舶分类跨数据集迁移竟崩了！准确率64.5%但平衡准确率仅33.3%
Cross-Dataset Transfer and Unknown-Class Detection in Imbalanced SAR Ship Classification
📖 AI 总结
该研究针对合成孔径雷达（SAR）船舶分类模型在部署环境变化下的鲁棒性问题，系统评估了六种预训练模型在两个SAR船舶数据集上的表现，涵盖域内分类、跨数据集迁移和未知类检测三种场景。域内实验中，SARDet100K在两个数据集上均取得最佳平衡准确率，分别为73.4%和53.2%。跨数据集迁移暴露出严重泛化缺陷：部分模型虽准确率尚可，但平衡准确率接近随机水平，例如从OpenSARShip迁移至FUSARShip时准确率为64.5%，平衡准确率仅33.3%。未知类检测性能因留出类别和数据集而异，MC-dropout方差的检测效果常接近随机。研究表明，SAR跨数据集泛化能力仍然有限，任务特定的不确定性评分在留出类检测中通常比MC-dropout方差更具信息量，但其相对排序取决于具体数据集和留出类别。
🔑 关键词速览
| 合成孔径雷达 (SAR) | 一种主动式微波成像雷达，能够全天时、全天候获取高分辨率地表图像。 |
| 跨数据集迁移 | 模型在一个数据集上训练后，直接应用于另一个不同数据集时的性能表现。 |
| 未知类检测 | 识别出不属于训练集中任何已知类别的样本的任务，通常用于开集识别。 |
| 平衡准确率 | 各类别召回率的平均值，适用于类别不平衡的数据集，能更公平地评估模型性能。 |
| MC-dropout方差 | 在推理时多次启用dropout并计算预测方差，常用作贝叶斯近似的不确定性估计。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅