Enseignement Collaboratif Statique-Dynamique : Un Cadre Semi-Supervisé pour la Détection de Cibles Spatiales de type Stripe

La détection de cibles spatiales de type stripe (SSTD) est cruciale pour la sensibilisation à la situation spatiale. Les méthodes non supervisées traditionnelles échouent souvent dans des scénarios à faible rapport signal-sur-bruit et avec des cibles spatiales de type stripe variables, conduisant à une généralisation faible. Bien que les méthodes d'apprentissage entièrement supervisées améliorent la généralisation des modèles, elles nécessitent des étiquettes à niveau pixel étendu pour l'entraînement. Dans la tâche SSTD, la création manuelle de ces étiquettes est souvent inexacte et laborieuse. Les méthodes d'apprentissage semi-supervisé (SSL) réduisent le besoin de ces étiquettes et renforcent la généralisabilité du modèle, mais leur performance est limitée par la qualité des pseudo-étiquettes. Pour y remédier, nous introduisons un cadre innovant d'Enseignant Collaboratif Statique-Dynamique (CSDT) SSL, qui comprend des modèles enseignants statiques et dynamiques ainsi qu'un modèle étudiant. Ce cadre utilise une stratégie de pseudo-étiquetage adaptatif personnalisé (APL), passant de l'enseignement statique initial à l'enseignement collaboratif adaptatif, guidant l'entraînement du modèle étudiant. Le mécanisme de moyenne mobile exponentielle (EMA) améliore encore ce processus en fournissant de nouvelles connaissances de type stripe au modèle enseignant dynamique via le modèle étudiant, créant ainsi une boucle de rétroaction positive qui améliore en continu la qualité des pseudo-étiquettes. De plus, nous présentons MSSA-Net, un nouveau réseau SSTD présentant un bloc de convolution à double chemin à multi-échelle (MDPC) et un bloc d'attention pondérée de carte de caractéristiques (FMWA), conçu pour extraire des caractéristiques de type stripe diverses au sein du cadre d'entraînement SSL CSDT. Des expériences approfondies vérifient la performance de pointe de notre cadre sur l'AstroStripeSet et divers ensembles de données réelles basés au sol et dans l'espace.