DEMONet：基于多专家网络与跨时间变分自编码器的水下声学目标识别
声音
2024-11-06 v1 机器学习
音频与语音处理
摘要
在真实场景中构建鲁棒的水下声学识别系统极具挑战性，这归因于复杂的水下环境和目标的动态运动状态。一种有前景的优化方法是利用目标固有的物理特性（这些特性不随环境条件变化）来提供鲁棒的判别信息。然而，我们的研究表明，虽然物理特性具有鲁棒性，但它们可能缺乏类别特定的判别模式。因此，将物理特性直接纳入模型训练可能会引入非预期的归纳偏置，导致性能下降。为了利用物理特性的优势同时减轻其潜在的不利影响，本文提出了DEMONet，该方法利用噪声包络调制检测（DEMON）来提供关于目标轴频或叶片数的鲁棒信息。DEMONet是一个多专家网络，它基于DEMON谱将各种水下信号分配给最匹配的专家层，以实现细粒度的信号处理。其中，DEMON谱仅负责提供隐含的物理特性，而不与目标类别建立映射关系。此外，为了减轻DEMON特征中的噪声和虚假调制谱，我们引入了一种跨时间对齐策略，并采用变分自编码器（VAE）重构抗噪声的DEMON谱，以替代原始的DEMON特征。所提出的带有跨时间VAE的DEMONet的有效性主要在DeepShip数据集和我们自有的数据集上进行了评估。实验结果表明，我们的方法在两个数据集上均达到了最先进的性能。
引用
@article{arxiv.2411.02758,
title = {DEMONet: Underwater Acoustic Target Recognition based on Multi-Expert Network and Cross-Temporal Variational Autoencoder},
author = {Yuan Xie and Xiaowei Zhang and Jiawei Ren and Ji Xu},
journal= {arXiv preprint arXiv:2411.02758},
year = {2024}
}