Learned Compression of SAR Phase-History Data: A Rate-Honest Feasibility Study on GOTCHA
Aggiunta all'archivio di AIChronos il (numero del 25 settembre 2026 ricostruito)· fonte del · Alizishaan Khatri
Lo studio valuta la fattibilità di un piccolo autoencoder convoluzionale per comprimere i dati a fase storica del radar SAR (SAR) direttamente sulla piattaforma, confrontandolo con lo standard operativo Block-Adaptive Quantization (BAQ). Sebbene il modello addestrato superi le aspettative teoriche in termini di compressione appresa, risulta inferiormente performante rispetto al BAQ e alla trasformata Karhunen-Loève (KLT) su tutti i bit-rate testati. L'analisi evidenzia che le prestazioni limitate non sono dovute a un limite fondamentale della codifica appresa, ma piuttosto alle scelte di normalizzazione, funzione obiettivo del modello e agli artefatti introdotti dai metodi di valutazione come CFAR con padding nullo.
- L'autoencoder (28.656 parametri) registra una perdita in tutte le metriche rispetto al BAQ standard a 16 b/cs, raggiungendo un NMSE di -2.87 dB contro i -35.5 dB del BAQ.
- Il modello perde anche contro la trasformata KLT su blocchi 16x16, che utilizza solo il decimo dei parametri dell'encoder ma ottiene risultati superiori (-5.39 dB).
- L'esecuzione della rete nel dominio di Fourier compansato migliora le prestazioni, ma l'F1 per la rilevazione rimane limitato al 33%.
- Il 97% delle intersezioni CFAR sui patch grezzi sono artefatti ai bordi causati dal padding nullo del detector, influenzando falsamente i risultati di valutazione.
- La scelta dell'intervallo di clipping nel BAQ determina drasticamente le prestazioni: un tuning appropriato mantiene il 69% di F1 rispetto al 17% con ±3σ.
Perché conta. Sebbene questo paper si concentri su sensori SAR e non direttamente su LLM, offre lezioni fondamentali per chi sviluppa AI locale o agenti: la compressione dei dati (quantization) è critica per il throughput hardware; un modello piccolo può fallire se l'obiettivo di training o la normalizzazione sono inadeguati rispetto a metodi semplici come lo zero-padding.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.