通过多任务学习和专家的多门混合来推进强大的水下声学目标识别
Yuan Xie1,2, Jiawei Ren1,2, Junfeng Li1,2
1Key Laboratory of Speech Acoustics and Content Understanding, Institute of Acoustics, Chinese Academy of Sciences, Beijing 100190, China.
The Journal of the Acoustical Society of America
|July 9, 2024
概括
有限的水下声学数据阻碍了目标识别. 拟议的M3 (多任务,多门,多专家) 框架通过结合目标物业估计来改善模式识别,实现最先进的性能.
科学领域:
- 水下声学 水下声学
- 信号处理 信号处理
- 机器学习是机器学习.
背景情况:
- 有限的真实水下声学记录阻碍了基于数据的目标识别模型.
- 这种数据稀缺性损害了当前声学识别系统的稳定性和通用性.
研究的目的:
- 引入一个新的识别框架,M3 (多任务,多门,多专家),旨在增强模式识别能力.
- 提高水下声学目标识别模型的稳定性和通用性.
主要方法:
- 实施了多任务学习方法,通过结合一个辅助任务来估计目标属性 (例如大小).
- 利用多专家和多门机制,为各种水下信号分配不同的参数空间.
- 开发了一个框架,使复杂的信号模式能够进行细粒度和差异化处理.
主要成果:
- 与先进的单任务识别模型相比,M3框架显示出更高的性能.
- 在ShipsEar水下船舶辐射噪声数据集上取得了最先进的结果.
- 通过增强的概括,验证了模型捕获强大的目标模式的能力.
结论:
- M3框架有效地解决了水下声学目标识别数据稀缺性的局限性.
- 拟议的方法在实际应用中显著提高了模型的稳定性和性能.
- M3代表了在实现最先进的水下声学目标识别方面取得的重大进展.
