相关实验视频
Updated: Jul 27, 2026
10:56
Long-term Behavioral Tracking of Freely Swimming Weakly Electric Fish
Published on: March 6, 2014
12.5K
在被动声纳阵列中增强功能辅助数据关联跟踪:一种先进的语网络方法
Yunhao Wang1,2, Weihang Nie1,2, Ziyuan Liu1,2
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
|February 3, 2025
概括
本研究介绍了双通道-SiamDinoNet,用于在被动声纳阵列中改进多目标跟踪. 深度学习方法在具有挑战性的海洋环境中提高了数据关联的准确性.
科学领域:
- 信号处理 信号处理
- 机器学习 机器学习
- 海洋声学 海洋声学
背景情况:
- 在被动声纳阵列中,传统的多目标跟踪依赖于动力学数据,而在复杂的海洋环境中,这种数据是不够的.
- 现有的特征辅助方法由于原始特征利用,难以实现低信号噪声比和近距离目标.
研究的目的:
- 开发一种先进的功能辅助数据关联方法,用于被动声纳多目标跟踪.
- 在具有挑战性的水下声学场景中提高追踪精度和稳定性.
主要方法:
- 建议BiChannel-SiamDinoNet,一个语网络集成到一个共同的概率数据关联框架中.
- 使用嵌入空间用于声学目标特征以增强歧视.
- 精炼水下声学信号的特征提取,并使用知识蒸来改进特征一致性评估.
主要成果:
- 双通道-SiamDinoNet显示了对变化和复杂的目标关系的增强稳定性.
- 该方法有效地区分测量和目标,改善数据关联.
- 通过模拟和海洋实验验证的性能.
结论:
- 拟议的双通道-SiamDinoNet显著改善了被动声纳阵列的功能辅助多目标跟踪.
- 深度学习方法为复杂的水下声学环境提供了强大的解决方案.
- 这种方法在具有挑战性的海洋场景中提高了跟踪系统的可靠性.
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
6.8K
05:04Author Spotlight: Introduction to Active Probe Atomic Force Microscopy with Quattro-Parallel Cantilever Arrays
Published on: June 13, 2023
1.4K
