水下源源由语网络辅助的半监督学习
Hao Wen1, Chengzhu Yang1, Daowei Dou1
1School of Information and Electronics, Beijing Institute of Technology, Beijing, 100081, People's Republic of Chinawenhao@bit.edu.cn, ycz@bit.edu.cn, ddw@bit.edu.cn, 6120210061@bit.edu.cn, jiaoyc23@bit.edu.cn.
JASA express letters
|September 15, 2023
概括
本研究引入了一种半监督学习方法,通过为未标记的数据生成伪标签来提高水下源范围的准确性. 这种方法减少了对广泛标记数据集的需求,使深度学习更有可能用于声学定位.
科学领域:
- 声学 声学 在声学上
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 用于水下源范围的深度学习需要大型标记数据集,这些数据集的获取是昂贵的,耗时的.
- 由于在声学定位任务中数据稀缺,现有的方法面临挑战.
研究的目的:
- 开发一种半监督式学习方法,以提高水下源范围的准确性.
- 为深度学习模型减少对大量标记数据的依赖.
主要方法:
- 利用语网络为未标记的水下声学数据生成伪标签.
- 提出了一个新的信任标准,包括相似性得分和样本分布,以评估伪标签的可靠性.
- 实现了半监督学习的包装范式,以训练具有扩展数据集的模型.
主要成果:
- 拟议的半监督方法有效地提高了在水下源范围内的预测准确性.
- 信任标准在评估伪标签方面表现出可靠性,有助于模型培训.
- 在SwellEx-96数据集上的实验证实了该方法的有效性.
结论:
- 半监督学习,特别是拟议的伪标签策略,为水下源范围的数据稀缺提供了可行的解决方案.
- 该方法通过有效利用未标记的数据,增强了深度学习在声学定位方面的实际应用.
