一种用于少样本水下声学目标识别的多任务平衡注意力卷积神经网络模型
声音
2026-04-10 v1 人工智能
音频与语音处理
摘要
水下声学目标识别 (UATR) 对维护海洋生物多样性和国家防御安全具有重大意义。深度学习的发展为 UATR 提供了新机会，但面临样本稀缺和复杂环境干扰的挑战。为此，我们提出一种多任务平衡通道注意力卷积神经网络 (MT-BCA-CNN)。该方法将通道注意力机制与多任务学习策略相结合，构建共享特征提取器和多任务分类器，以联合优化目标分类和特征重构任务。通道注意力机制动态增强诸如谐波结构等判别性声学特征，同时抑制噪声。在 Watkins Marine Life 数据集上的实验表明，MT-BCA-CNN 在 27 类少样本场景中实现了 97% 的分类准确率和 95% 的 -值，显著优于传统 CNN 和 ACNN 模型，以及流行的 SOTA UATR 方法。消融研究确认多任务学习和注意力机制的协同效应，而动态权重调整策略有效平衡了各任务的贡献。这一工作为少样本水下声学识别提供了有效解决方案，推动了海洋生物声学和声呆信号处理的研究发展。
引用
@article{arxiv.2504.13102,
title = {A Multi-task Learning Balanced Attention Convolutional Neural Network Model for Few-shot Underwater Acoustic Target Recognition},
author = {Wei Huang and Shumeng Sun and Junpeng Lu and Zhenpeng Xu and Zhengyang Xiu and Hao Zhang},
journal= {arXiv preprint arXiv:2504.13102},
year = {2026}
}