在水下声学环境中用于海上监视的新奇性检测,使用用于神经网络的分布外探测器

科学领域:

• 声学 声学 在声学方面
• 机器学习 机器学习
• 信号处理 信号处理

背景情况:

• 水下声学传感系统需要对海上安全和自主导航的未知信号进行强有力的检测.
• 传统的深度学习模型在过度自信和缺乏对未知信号的不确定性量化方面扎.
• 现有的方法无法在动态的水下环境中提供可靠的新奇检测.

研究的目的:

• 开发一个新奇的检测框架,提高水下声学传感系统的可靠性和稳定性.
• 解决传统深度学习模型在处理未知信号方面的局限性.
• 改进信号检测中的预测不确定性的量化.

主要方法:

• 将神经网络 (ODIN) 的分布外探测器与蒙特卡洛 (MC) 断路器集成.
• 奥丁校准软max概率,以减少过度自信和提高信号分离性.
• MC 抛弃引入了用于估计预测不确定性的随机性,并使用高斯混合模型和库尔巴克-莱布勒分歧来量化偏差来建模输出.

主要成果:

• 拟议的方法表明,与MC退出基线相比,接收器操作特征曲线下的面积平均增加了9.5%.
• 与ODIN基线相比,观察到接收器操作特征曲线下的面积增加了5.39%.
• 实现了虚假阳性率的显著降低,与MC退学率和ODIN基线相比,分别有7.82%和2.63%的改善.

结论:

• 随机推断与ODIN的整合显著提高了在水下声环境中新奇检测的稳定性和可靠性.
• 拟议的框架有效地减轻了模型过度信心,并量化了预测不确定性,这对于现实世界的应用至关重要.
• 这种方法为海上安全和自主导航的强大信号检测提供了有希望的解决方案.