合成開口レーダー（SAR）船舶検出は海洋監視において重要だが、深層畳み込みおよびTransformerベースの検出器は高い性能を持つ一方で、リアルタイムやオンボード展開には計算コストが大きすぎる場合が多い。軽量モデルは効率性に優れるものの、SAR後方散乱に内在する複雑な構造関係を捉えることが難しい。既存のSAR知識蒸留手法の多くは特徴量マッチングやロジットマッチングに依存しており、局所的な活性化の類似性を強制する一方で、物体表現間の幾何学的関係を無視している。
この問題に対し、Surendar DevasundaramらはSAR船舶検出のための構造化統合関係知識蒸留フレームワークSURGEを提案した。中核となるアイデアは、共有投影埋め込み空間におけるコントラストInfoNCE目的関数を用いて、強力な教師検出器が学習した関係幾何をコンパクトな学生検出器に転移することである。著者らの知る限り、これはSAR分野における初のTransformerベースのSAR船舶検出知識蒸留フレームワークである。
SURGEの重要な特徴はアーキテクチャ非依存性である。共通の領域レベル蒸留インターフェースを提供し、二段階、一段階、Transformerベースの検出器に適用できる。展開時のアーキテクチャを変更する必要がないため、実際のシステムでは推論パイプラインを変えずに蒸留による性能向上を得られる。
SSDDとHRSIDベンチマークでの実験結果は、この手法が二段階検出器に大幅な改善をもたらすことを示している。ベースライン学生モデルと比較して最大6.2 mAPおよび8.0 AP75の向上を達成し、教師モデルの性能さえも上回った。この結果は、関係幾何の転移がモデル圧縮だけでなく、正則化効果をもたらし、特定の指標で学生モデルが教師を逆転し得ることを示唆している。
本論文はGLSVLSI'26の特別セッション74「Efficiency In Computer Vision: From Image Generation to Decision」に採択された。2026年5月27日にarXivに投稿され、識別子はarXiv:2605.30380v1、カテゴリはコンピュータビジョンとパターン認識（cs.CV）である。