自监督学习在合成孔径声纳数据处理、分类与模式识别中的进展
信号处理
2023-08-24 v1 计算机视觉与模式识别
机器学习
摘要
合成孔径声纳(SAS)成像已成为水下探测的关键技术，因为其在增大作用距离时仍能保持分辨率，这是传统声纳技术所不具备的特性。然而，由于标注数据的稀缺，深度学习在SAS数据处理中的有效应用常常受限。为应对这一挑战，本文提出MoCo-SAS，利用自监督学习(SSL)进行SAS数据处理、分类和模式识别。实验结果表明，MoCo-SAS显著优于传统监督学习方法，F1-score的显著提升证实了这一点。这些发现凸显了SSL在推进SAS数据处理最先进水平方面的潜力，为增强水下目标检测与分类提供了有前景的途径。
引用
@article{arxiv.2308.11633,
title = {Advances in Self-Supervised Learning for Synthetic Aperture Sonar Data Processing, Classification, and Pattern Recognition},
author = {Brandon Sheffield and Frank E. Bobe and Bradley Marchand and Matthew S. Emigh},
journal= {arXiv preprint arXiv:2308.11633},
year = {2023}
}