用于解决SAR舰船分类中类别不平衡问题的特征空间过采样
计算机视觉与模式识别
2026-05-28 v1
摘要
SAR舰船分类面临长尾数据集的挑战，这使得对代表性不足的类别进行分类变得复杂。过采样方法已被证明在解决光学数据中的类别不平衡问题方面是有效的。在本文中，我们评估了特征空间过采样对SAR舰船分类的影响。我们提出了两种受Major-to-minor (M2m)方法启发的创新算法M2m和M2m。这些算法在两个公开数据集OpenSARShip（6类）和FuSARShip（9类）上进行了测试，使用三种最先进的模型作为特征提取器：ViT、VGG16和ResNet50。此外，我们还分析了过采样方法对不同类别大小的影响。结果表明，我们提出的新方法优于原始的M2m和基线方法，在FuSARShip上平均F1分数提高了8.82%，在OpenSARShip上提高了4.44%。
引用
@article{arxiv.2508.06420,
title = {Feature-Space Oversampling for Addressing Class Imbalance in SAR Ship Classification},
author = {Ch Muhammad Awais and Marco Reggiannini and Davide Moroni and Oktay Karakus},
journal= {arXiv preprint arXiv:2508.06420},
year = {2026}
}
备注
Accepted and presented at IGARSS