路径路由卷积和可扩展的轻量级网络,用于强大的水下声学目标识别

科学领域:

• 海洋声学 海洋声学
• 水下声学 水下声学
• 信号处理 信号处理

背景情况:

• 准确的船舶识别对于海上监视和海洋保护至关重要.
• 目前用于水下声学识别的深度学习模型是计算密集型的,并与多尺度特征作斗争,限制它们在资源有限的设备上使用.

研究的目的:

• 开发一个高效的深度学习模型,用于准确的水下船舶类型识别.
• 解决现有模型在参数计数和多尺度特征提取方面的局限性.

主要方法:

• 提出了一种新的路径路由卷积机制,具有多扩张率并行路径和自适应路由策略.
• 设计了MobilePR-ConvNet架构,用于硬件适应性的系统宽度缩放.
• 在DeepShip和ShipsEar数据集上进行了实验.

主要成果:

• 在DeepShip上达到98.58%的高识别精度,在ShipsEar上达到97.82%.
• 在低信号噪声比 (10dB) 条件下,具有77.8%的准确性,证明了强大的性能.
• 在复杂的海洋环境中验证了跨数据集概括能力.

结论:

• 拟议的MobilePR-ConvNet提供了一个有效的解决方案,用于在资源有限的水下设备上进行智能船舶识别.
• 新的路径路由卷积机制使得跨度声学特征的歧视性提取成为可能.
• 该模型显示出强大的性能和适应性,用于实际的海上监视应用.