ETD

• Deep Learning
• Imbalance
• Resolution
• Scarcity
• Synthetic Aperture Radar

Deep learning has become a dominant approach in processing remote sensing data, included Synthetic Aperture Radar imagery (SAR) for ship classification, yet operational deployments remain constrained by three practical factors: limited labelled datasets, long-tailed class distributions, and altered information content in SAR imaging due to noise and limited spatial resolution. The objective of this thesis is the systematic analysis of these issues, and the development of deep learning-based countermeasures aiming at the improvement of the ship classification task through the processing of SAR images, under real experimental conditions.

Based on a thorough assessment of the related scientific literature, the thesis first goes through the background and taxonomy for SAR ship classification, covering the currently available datasets, the mostly exploited core architectures (convolutional and attention-based), and the many challenges potentially emerging during the model preparation phases. Building on this foundation, the analysis focuses on data scarcity, dataset quality, and domain shift. Inter-dataset generalisation has been assessed under a shared three-class setting, showing that cross-dataset performance can degrade substantially, even when label sets overlap. In addition, the sensitivity of deep learning algorithms to training objectives across datasets has been investigated, showing that the relative behaviour of loss functions can change under dataset shift. This reinforces the idea that the objective function is not a fixed default, but must be considered a critical component of the model, to be carefully adapted and optimized.

This work also addresses class imbalance and training dynamics in the case of long-tailed SAR ship datasets, demonstrating that overall accuracy can remain deceptively stable while minority-class performance and stability remain poor. To counteract this, the thesis develops imbalance-aware training strategies based on curriculum learning and weighted losses, and introduces an imbalance-aware evaluation score designed to complement overall accuracy and macro-F1 in long-tailed regimes. Further analysis concerns feature-space oversampling as a representation-level alternative to naive image duplication. It is shown that enriching minority regions of the embedding space can improve minority-class recognition.

Afterwards, data quality issues are considered, by studying super-resolution (SR) for SAR ship classification. First, the relationship between image fidelity improvements and downstream recognition is analysed, demonstrating that gains in common fidelity metrics do not reliably translate into improved classification performance. Motivated by this mismatch, a second approach is presented, proposing a classification-aware SR framework that aligns SR optimisation with recognition objectives through stage-wise training and loss design, supported by extensive quantitative comparisons and qualitative analyses.

Overall, this thesis provides a unified view of robustness for SAR ship classification along three coupled axes: scarcity and dataset shift, imbalance and training dynamics, and pixel-level information content. The results support practical guidelines for evaluation and model design, including the use of class-sensitive metrics, cross-dataset testing when claiming robustness, imbalance-aware training strategies when long-tailed distributions dominate, and task-level validation for preprocessing interventions such as super-resolution. Together, the contributions aim to support the development of SAR ship classifiers that remain reliable when training data are scarce, heterogeneous, and imbalanced, and when the input pixel contain limited discriminative detail.

Il Deep learning è diventato l'approccio dominante nell'elaborazione dei dati di telerilevamento, incluse le immagini Radar ad Apertura Sintetica (SAR) per la classificazione navale. Tuttavia, le implementazioni operative rimangono limitate da tre fattori pratici: la scarsità di dataset etichettati, la distribuzione delle classi di tipo "long-tailed" (a coda lunga) e il contenuto informativo alterato nelle immagini SAR a causa del rumore e della limitata risoluzione spaziale. L'obiettivo di questa tesi è l'analisi sistematica di tali problematiche e lo sviluppo di contromisure basate sul deep learning volte a migliorare il compito di classificazione navale attraverso l'elaborazione di immagini SAR, in condizioni sperimentali reali.

Sulla base di un'approfondita valutazione della letteratura scientifica correlata, la tesi esamina innanzitutto il contesto e la tassonomia per la classificazione navale SAR, coprendo i dataset attualmente disponibili, le architetture principali più utilizzate (convoluzionali e basate su meccanismi di attenzione) e le numerose sfide che possono emergere durante le fasi di preparazione del modello. Partendo da queste fondamenta, l'analisi si concentra sulla scarsità dei dati, sulla qualità dei dataset e sul cosiddetto "domain shift". La generalizzazione tra diversi dataset è stata valutata in uno scenario comune a tre classi, dimostrando che le prestazioni "cross-dataset" possono degradare sostanzialmente, anche quando le etichette coincidono. Inoltre, è stata studiata la sensibilità degli algoritmi di deep learning agli obiettivi di addestramento tra i vari dataset, evidenziando come il comportamento relativo delle funzioni di costo (loss functions) possa variare in presenza di uno spostamento della distribuzione dei dati. Ciò rafforza l'idea che la funzione obiettivo non sia un parametro predefinito, ma debba essere considerata una componente critica del modello, da adattare e ottimizzare accuratamente.

Questo lavoro affronta anche lo sbilanciamento delle classi e le dinamiche di addestramento nel caso di dataset navali SAR long-tailed, dimostrando come l'accuratezza globale possa rimanere ingannevolmente stabile mentre le prestazioni e la stabilità sulle classi minoritarie rimangono scarse. Per contrastare questo fenomeno, la tesi sviluppa strategie di addestramento consapevoli dello sbilanciamento (imbalance-aware) basate sul "curriculum learning" e su funzioni di costo pesate, e introduce un punteggio di valutazione specifico progettato per integrare l'accuratezza globale e la macro-F1 in regimi sbilanciati. Un'ulteriore analisi riguarda l'oversampling nello spazio delle caratteristiche (feature-space) come alternativa a livello di rappresentazione alla semplice duplicazione delle immagini. Viene dimostrato che l'arricchimento delle regioni minoritarie nello spazio di embedding può migliorare il riconoscimento delle classi meno rappresentate.

Successivamente, vengono considerate le problematiche relative alla qualità dei dati, studiando la super-risoluzione (SR) per la classificazione navale SAR. In primo luogo, viene analizzata la relazione tra i miglioramenti della fedeltà dell'immagine e il riconoscimento a valle, dimostrando che i guadagni nelle comuni metriche di fedeltà non si traducono in modo affidabile in un miglioramento delle prestazioni di classificazione. Motivati da questa discrepanza, viene presentato un secondo approccio che propone un framework di SR consapevole della classificazione (classification-aware), il quale allinea l'ottimizzazione della SR con gli obiettivi di riconoscimento attraverso un addestramento a fasi e la progettazione della funzione di costo, supportato da ampi confronti quantitativi e analisi qualitative.

Complessivamente, questa tesi fornisce una visione unificata della robustezza per la classificazione navale SAR lungo tre assi interconnessi: scarsità e dataset shift, sbilanciamento e dinamiche di addestramento, e contenuto informativo a livello di pixel. I risultati supportano linee guida pratiche per la valutazione e la progettazione dei modelli, tra cui l'uso di metriche sensibili alle classi, test cross-dataset quando si rivendica robustezza, strategie di addestramento specifiche per distribuzioni sbilanciate e validazione a livello di task per interventi di pre-elaborazione come la super-risoluzione. Insieme, questi contributi mirano a supportare lo sviluppo di classificatori navali SAR che rimangano affidabili anche quando i dati di addestramento sono scarsi, eterogenei e sbilanciati, e quando i pixel di input contengono dettagli discriminatori limitati.