深度模型的多目标到达方向估计,在海洋声学环境中进行级变换不变训练
Weihang Nie1,2, Zehui Yang1,2, Lingxuan Ye1,2
1Speech and Intelligent Information Processing Laboratory, Institute of Acoustics, Chinese Academy of Sciences, Beijing 100190, People's Republic of China.
这项研究引入了增强的换不变训练 (PIT) 方法,用于在声纳中估计多目标到达方向 (DoA). 拟议的MC-PIT和MR-PIT技术提高了水下物体检测和跟踪的准确性和可移植性.
科学领域:
- 信号处理 信号处理
- 机器学习 机器学习
- 声学 声学 在声学方面
背景情况:
- 对于声纳系统来说,到达方向 (DoA) 估计至关重要,使得水下物体的检测和跟踪成为可能.
- 通过单一的深度学习模型准确估计多个目标的定向是一个重大挑战.
研究的目的:
- 增强换不变训练 (PIT) 技术,以改进多目标DoA估计.
- 提出和评估新方法,多组分类与PIT (MC-PIT) 和多组回归与PIT (MR-PIT).
主要方法:
- 开发了两个框架级PIT方案 (MC-PIT和MR-PIT) 用于在多目标场景中单一模型培训和测试.
- 使用各种网络骨干评估MR-PIT和MC-PIT的性能.
- 将拟议的方法与一般的多标签培训策略进行比较.
主要成果:
- 与一般的多标签策略相比,MC-PIT和MR-PIT都表现出优越的多目标DoA估计性能.
- 框架级PIT在不同的网络架构中表现出极好的可移植性.
- 用级PIT训练的模型在数组配置与模拟数据匹配时,即使没有记录数据训练,也在记录数据上取得了良好的性能.
结论:
- 拟议的框架级PIT计划 (MC-PIT和MR-PIT) 有效地解决了使用单个深度学习模型进行多目标DoA估计的挑战.
- 增强的PIT方法为声纳信号处理应用提供了更好的准确性,可移植性和概括性.
更多相关视频
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
09:09Foreign Accent and Forensic Speaker Identification in Voice Lineups: The Influence of Acoustic Features Based on Prosody
Published on: September 27, 2024
相关概念视频
Improving Translational Accuracy
Improving Translational Accuracy
Classification of Signals
A continuous-time signal holds a value at every instant in time, representing information seamlessly. In contrast, a discrete-time signal holds values only at specific moments, often denoted as x(n), where...
Multi-input and Multi-variable systems
In the absence of...
Differential Leveling
Uniform Depth Channel Flow: Problem Solving
