利用预训练模型进行水下声学分类的跨域知识迁移
声音
2025-03-19 v2 机器学习
音频与语音处理
摘要
迁移学习通常用于利用大型预训练模型并为下游任务进行微调。最常见的预训练模型最初是使用 ImageNet 训练的。然而，它们在不同数据模态上的泛化能力可能有所不同。本研究在水下声学目标识别的背景下，比较了预训练音频神经网络和 ImageNet 预训练模型。观察到在被动声纳分类中，ImageNet 预训练模型的表现略优于预训练音频模型。我们还分析了音频采样率对模型预训练和微调的影响。本研究对 UATR 的迁移学习应用有所贡献，展示了预训练模型在解决 UATR 领域因标注数据稀缺而造成局限性方面的潜力。
引用
@article{arxiv.2409.13878,
title = {Cross-Domain Knowledge Transfer for Underwater Acoustic Classification Using Pre-trained Models},
author = {Amirmohammad Mohammadi and Tejashri Kelhe and Davelle Carreiro and Alexandra Van Dine and Joshua Peeples},
journal= {arXiv preprint arXiv:2409.13878},
year = {2025}
}
备注
6 pages, 4 figures, This work has been submitted to the IEEE for possible publication. Added Grad-CAM analysis. Title changed. This work has been accepted to IEEE OCEANS 2025