通过多任务学习和多门混合专家技术提升水下声学目标识别的鲁棒性
声音
2024-11-06 v1 机器学习
音频与语音处理
摘要
水下声学目标识别已成为水下声学领域的热门研究领域。然而，当前可获取的真实水下声学信号记录有限，阻碍了数据驱动的声学识别模型从有限的复杂水下信号中学习鲁棒的目标模式，从而损害其在实际应用中的稳定性。为克服这些限制，本研究提出了一种称为M3（多任务、多门、多专家）的识别框架，以增强模型捕捉鲁棒模式的能力，使其意识到目标的内在属性。在此框架中，设计了一个关注目标属性（如估计目标尺寸）的辅助任务。该辅助任务与识别任务共享参数，以实现多任务学习。这种范式使模型能够专注于跨任务的共享信息，并以规范化方式识别目标的鲁棒模式，从而增强模型的泛化能力。此外，M3融合了多专家和多门机制，允许将不同的参数空间分配给各种水下信号。这使模型能够以细粒度和差异化的方式处理复杂的信号模式。为评估M3的有效性，我们在ShipsEar水下船舶辐射噪声数据集上实现了大量实验。结果证实，M3具有优于最先进单任务识别模型的能力，从而实现了最先进的性能。
引用
@article{arxiv.2411.02787,
title = {Advancing Robust Underwater Acoustic Target Recognition through Multi-task Learning and Multi-Gate Mixture-of-Experts},
author = {Yuan Xie and Jiawei Ren and Junfeng Li and Ji Xu},
journal= {arXiv preprint arXiv:2411.02787},
year = {2024}
}