一种基于 Score-CAM 的无真实基准频谱特征提取去噪器

基于声纳的音频分类技术是水下声学领域中一个不断发展的研究领域。通常，被动声纳换能器接收到的水下噪声包含穿过海洋的各种信号，并被转换为频谱图像。因此，旨在显示特定目标时频数据的相应频谱图通常包含大量无关噪声的音调区域，这些区域会有效干扰“接触”。因此，从水下音频信号中提取的大多数频谱样本由于杂波而变得无法使用，并且缺乏不同目标之间所需的不可区分性。由于用于监督训练的干净真实数据有限，为这些音频信号创建分类模型遇到了严重瓶颈。本文通过开发一种新颖的基于 Score-CAM 的去噪器，在未提供任何真实基准数据的情况下从噪声频谱数据中提取目标特征，推导出几种新技术来解决这一问题。具体而言，本文提出了一种新颖的生成对抗网络架构，用于学习并生成与低特征频谱图输入具有相似分布的频谱训练数据。此外，本文还提出了一种可泛化的基于类激活映射的去噪器，适用于不同分布的声学数据，甚至是真实世界的数据分布。利用这些新颖的架构和提出的去噪技术，这些实验展示了最先进的降噪精度，并比当前音频分类标准提高了分类精度。因此，这种方法不仅适用于音频数据，还适用于全球机器学习使用的无数数据分布。