في عالم الذكاء الاصطناعي، تواجه تقنيات تعلم التصنيفات من الفتحة الاصطناعية (Synthetic Aperture Radar - SAR) تحديات فريدة بسبب نقص البيانات الكبيرة والتنوع الكبير المرتبط بهذا المجال. يعتمد تعلم التصنيفات من العديد من الأمثلة (Few-Shot Class Incremental Learning - FSCIL) على القدرة على التعلم مباشرة من عدد قليل من الأمثلة، الأمر الذي يتطلب استراتيجيات مبتكرة لمواجهة تغيرات ظروف الإضاءة وزاوية الرؤية.

نقدم لكم اليوم إطارًا مبتكرًا للجمع بين التعلم العميق والرادارات، يعتمد على فكرة الانهيار العصبي (Neural Collapse). من خلال استخدام بيانات بصرية غنية من مجموعات بيانات التصنيف الآلي (Automated Target Recognition - ATR) البصرية، نستخرج فضاءات ميزات عمودية تمثل أبعادًا هندسية يمكن أن تخدم كأدلة لتوجيه تعلم ميزات الرادار.

تعمل تقنيتنا على ضمان أن ميزات الرادار تُسقط على هذه الفضاءات العمودية باستخدام قيود الزاوية الرئيسية، مما يعزز انتقال الهيكل التمييزي من المجال البصري إلى مجال الرادار. تم تصميم خسائر الإسقاط (Projection Loss) وخسائر المصنف (Classifier Loss) بشكل يتسم بالابتكار، مما يسهم في جعل الميزات تتركز حول متوسطات الفئات مع الحفاظ على زوايا كبيرة بين الفئات المختلفة.

لقد أجرينا تقييمات لهذه الطريقة باستخدام مجموعات بيانات معيارية تضم 24 فئة هدف من بيانات ATR بصرية ورادارية، تم تنظيمها في جلسة تدريب أساسية وسبع جلسات تفاصيل إضافية. كانت نتائجنا ملحوظة، حيث حققنا أعلى درجة دقة نهائية بالمقارنة مع الأساليب الحديثة مثل NCFSCIL. دون أن نغفل نتائج الانهيار العصبي التي أظهرت تحسينًا في تماسك الفئات داخليًا وتباينها خارجيًا، مما يشير إلى أن الميزات المكتسبة تقترب من هندسة بسيطة شبه مثالية (Simplex-ETF Geometry).

تستعد هذه الإنجازات لإحداث تغيير جذري في كيفية معالجة الصور الرادارية وتحسين دقة التعلم والتميز الداخلي بين الفئات. ما هي توقعاتكم حول تأثير هذه التكنولوجيا الجديدة في عدة مجالات مثل الأمن والمراقبة؟ شاركونا في التعليقات.