面向高效水下数据分析的跨域声音识别

本文提出了一种新颖的深度学习方法，通过利用在广泛的非水下（空气）声音上训练的模型来分析海量水下声学数据。认识到标注大量水下数据的挑战，我们提出了一种双重方法来加速这一劳动密集型过程。我们方法的第一部分涉及使用空气声音识别模型的特征向量对水下数据进行 PCA 和 UMAP 可视化。这使我们能够在二维空间中聚类数据，并聆听这些聚类中的点以理解其定义特征。这种创新方法简化了为进一步训练选择候选标签的过程。在第二部分中，我们使用所选水下数据和非水下数据集训练神经网络模型。我们进行了定量分析以衡量我们的模型在识别气枪声音（一种常见的水下声音）方面的精确率、召回率和 F1 分数。我们的模型实现的 F1 分数超过 84.3%，证明了我们的方法在分析水下声学数据方面的有效性。本文提出的方法在减少水下数据分析所需劳动力方面具有显著潜力，并为跨域数据分析领域的进一步研究开辟了新可能。