• reti neurali convoluzionali profonde
• open set
• YOLO
• imaging radar
• rivelatore
• classificatore cognitivo

Dal momento della loro invenzione i radar sono stati migliorati e impiegati in un numero sempre crescente di ambiti, dal tracciamento dei bersagli in tempo reale alla formazione attiva di immagini. Un probabile prossimo passo nell'evoluzione dei radar consiste nell'introdurre algoritmi di adattamento per compensare la variabilità delle applicazioni reali, un sistema che abbia tali proprietà è definito cognitivo. Per ottenere questo comportamento è necessario fornire al sistema uno strumento per l'identificazione delle situazioni straordinarie così da poter avviare la riconfigurazione al momento opportuno. Lo studio presentato si articola attorno alla questione aperta della classificazione di bersagli in immagini SAR, ponendo particolare attenzione alla possibilità di implementare meccanismi che rendano il sistema radar adattivo. Nel caso di un sistema di imaging radar con capacità di classificazione, l'adattabilità inizia dalla consapevolezza di non conoscere il bersaglio in esame. Tale informazione potrebbe poi essere usata a posteriori per l'avvio di un riaddestramento che includa il nuovo oggetto o per una modifica ai parametri del sistema in modo tale da fornire maggiori informazioni. Sebbene il problema dell'identificazione di oggetti ignoti, ovvero non presenti nel set di addestramento, non sia nuova nel campo delle immagini ottiche, è raramente analizzata in ambito radar. I recenti sviluppi nel campo della Computer Vision hanno mostrato le potenzialità degli algoritmi di classificazione basati sulle reti neurali profonde (DNN). Di particolare interesse sono gli algoritmi di localizzazione e classificazione congiunta in grado di fornire le proposte in un'unica elaborazione e quindi in tempi minori, tali sistemi sono definiti Single Stage Detector (SSD). Tra questi si è scelto di usare come classificatore la rete YOLO, le cui prestazioni sono state verificate sia su immagini ottiche che su immagini SAR. Il set di dati utilizzato è stato composto a partire dal dataset MSTAR, una collezione di immagini SAR raffiguranti diversi modelli di veicoli militari, allo scopo di verificare la corretta localizzazione di bersagli multipli all'interno delle scene in esame. Per simulare le situazioni standard e quelle straordinarie è necessario disporre di due gruppi di bersagli, a tale scopo le classi del dataset MSTAR sono state divise in classi note e non. Le classi note sono inserite solamente nel set di addestramento e nel set di validazione. Il test set è invece adibito all'analisi del comportamento della rete di fronte a nuovi bersagli e contiene quindi solamente le classi non note, o unknown. In seguito alla verifica delle capacità di classificazione dei bersagli noti ed alla regolazione degli iperparametri della rete, sono state condotte delle prove variando i metodi di generazione delle immagini in ingresso con lo scopo di analizzare il comportamento della rete con i target ignoti. Nello specifico sono state valutate la classificazione diretta dei bersagli non noti sfruttando attivamente la rete e la classificazione indiretta qualora si abbiano proposte discordi. Proponendo infine un impiego combinato delle due tecniche con l'inclusione della classe Veicolo.