一种基于势头的对抗性训练方法,用于泛化水下声学目标识别:个体船舶视角
Haotian Fang1,2, Yuan Xie1,2, Jiawei Ren1,2
1Key Laboratory of Speech Acoustics and Content Understanding, Institute of Acoustics, Chinese Academy of Sciences, Beijing 100190, People's Republic of China.
这项研究引入了一种用于水下船舶识别的新方法,提高了深度学习模型识别船舶的能力. 基于势头的对抗训练 (MBAT) 框架增强了对新型船舶的概括性.
科学领域:
- 水下声学 水下声学
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 水下被动声学识别对于识别使用其辐射噪声的船舶至关重要.
- 深度学习模型由于个体容器的变化和跨类别的共同特征而难以概括.
- 对个体特定特征的过度配置阻碍了模型在现实世界的场景中的性能.
研究的目的:
- 为了解决基于深度学习的水下声学识别的泛化挑战.
- 制定一个框架,有效地提取阶级歧视特征,同时减轻过度拟合.
- 提高模型识别看不见的单个船只的能力.
主要方法:
- 提出了基于势头的对抗训练 (MBAT) 框架.
- 利用势头对抗策略,将类别信息和个体船只关系纳入其中.
- 采用一个同等级的不确定性算法来平衡优化目标.
主要成果:
- MBAT显著提高了对未见的单个船只的概括能力.
- 拟议的方法在DeepShip和ShipsEar数据集上优于现有的最先进的方法.
- 实验结果和可视化证实了MBAT在捕获阶级歧视模式方面的有效性.
结论:
- MBAT框架有效地提高了水下声学识别模型的概括性.
- 平衡与类别相关的和船舶特定的特征是稳健性能的关键.
- 这种方法为水下监视和监控的现实应用提供了有希望的解决方案.
更多相关视频
06:20Author Spotlight: Development of an Automated Camera-Based System for Real-Time Blast Overpressure Monitoring and TBI Risk Assessment in Military Training
Published on: December 6, 2024
05:48Author Spotlight: Investigating the Impact of Emotional Prosodies on Voice Recognition and Perception
Published on: August 9, 2024
相关概念视频
Difference from Background: Limit of Detection
The LOD indicates the presence or absence...
Buoyancy and Stability for Submerged and Floating Bodies
Uniform Depth Channel Flow: Problem Solving
