在海底的小目标的零射击分类使用模型不可知的超级学习
1Maritime System Signal Processing, LIG Nex1, Seongnam 13488, South Korea.
The Journal of the Acoustical Society of America
|July 9, 2024
概括
这项研究引入了一种使用模型不可知的元学习 (MAML) 来识别水下矿山的新型主动目标分类器. 在不同的海洋环境中,MAML提高了分类准确性,超过了传统的神经网络.
科学领域:
- 海洋地质物理学 海洋地质物理学
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 准确识别海底的小目标对于海上作战至关重要.
- 现有的分类器在分布之外的数据中扎,这限制了它们在各种海洋环境中的有效性.
- 模型无意识的元学习 (MAML) 为改进的概括提供了一个潜在的解决方案.
研究的目的:
- 开发和评估基于MAML的活跃目标分类器,用于识别小型海底目标.
- 提高分类器对分布外样本和各种海洋条件的概括能力.
- 为了比较基于MAML的分类器与传统神经网络的性能.
主要方法:
- 使用的频域目标和杂乱散射信号.
- 训练了分类器对来自不同底部类型 (泥/粘土) 和撞击角度 (低/中等/高) 的数据进行分类.
- 将MAML应用于分布之外的样本,以更好地分类偏差目标.
主要成果:
- 在测试过程中,基于MAML的分类器在与传统神经网络相比显示出明显优异的性能.
- MAML增强的概括能力在于它能够在看不见的海洋环境中对目标进行分类.
- 对损失景观的分析揭示了光滑,凸起的曲线,解释了MAML的改进概括.
结论:
- MAML为开发活跃目标分类器提供了强大的框架,为海底物体检测提供了卓越的概括能力.
- 提出的基于MAML的方法在处理分布之外的样本方面是有效的,这对于现实世界海洋学应用至关重要.
- 这种方法为自动水下车辆 (AUV) 探雷系统提供了有前途的进步.
