相关实验视频
Updated: Jul 13, 2025

Long-term Behavioral Tracking of Freely Swimming Weakly Electric Fish
Published on: March 6, 2014
在水下声学目标识别中,为联合模型进行少量射击学习
Shengzhao Tian1, Di Bai2, Junlin Zhou1,3
1Big Data Research Center, University of Electronic Science and Technology of China, Chengdu, 611731, China.
一个用于水下声学目标识别的新框架使用自我监督和半监督的学习来克服缺乏标记数据的缺陷. 这种方法显著提高模型性能,即使样本有限.
科学领域:
- 海洋声学 海洋声学
- 人工智能的人工智能是人工智能.
- 机器学习 机器学习
背景情况:
- 水下声学目标识别面临挑战,因为用于训练深度神经网络的高质量标记数据有限.
- 传统的短暂学习方法在这个领域没有直接适用.
研究的目的:
- 提出一个新的学习框架,用于水下声学目标识别模型,采用少数样本.
- 通过半监督方法利用未标记的数据来提高模型微调性能.
主要方法:
- 开发了一个自主监督的学习框架,专门用于水下声学目标识别.
- 实施了一种半监督的微调方法,根据深度特征相似性,挖掘和标记未标记的样本.
- 使用具有不同标记数据量的小样本数据集建立了绩效基线.
主要成果:
- 与基线相比,拟议的框架显著提高了四种水下声学目标识别模型的识别性能.
- 一个联合模型显示,准确度比基线增加了2.04%至12.14%.
- 使用仅10%标记数据的模型性能超过了整个数据集的性能,减少了对标记样本的依赖.
结论:
- 开发的框架有效地缓解了在水下声学目标识别中标记样本不足的问题.
- 该方法提高了模型的稳定性和准确性,在数据稀缺的水下声学环境中.
更多相关视频
09:32Development of New Methods for Quantifying Fish Density Using Underwater Stereo-video Tools
Published on: November 20, 2017
05:57Long-term Video Tracking of Cohoused Aquatic Animals: A Case Study of the Daily Locomotor Activity of the Norway Lobster Nephrops norvegicus
Published on: April 8, 2019
相关概念视频
Uniform Depth Channel Flow: Problem Solving
Difference from Background: Limit of Detection
The LOD indicates the presence or absence...
Observational Learning
Buoyancy and Stability for Submerged and Floating Bodies
Uniform Depth Channel Flow
Light Acquisition