利用可解释对比学习引导水下声学目标识别
声音
2024-02-21 v1 音频与语音处理
摘要
由于复杂的海洋环境和多变的水下信道，从声学信号中识别水下目标是一项具有挑战性的任务。虽然基于深度学习的系统已成为水下声学目标识别的主流方法，但它们因缺乏可解释性以及在实际应用中泛化性能弱而受到批评。在这项工作中，我们应用类激活映射（CAM）为基于频谱图的识别系统的预测生成视觉解释。CAM 通过突出显示对预测贡献最大的输入特征区域，有助于理解识别模型的行为。我们的探索表明，识别模型倾向于关注水下信号的低频线谱和高频周期性调制信息。基于这一观察，我们提出了一种可解释对比学习（ICL）策略，该策略采用两个编码器来学习具有不同侧重点（线谱和调制信息）的声学特征。通过在编码器之间施加约束，所提策略可以增强识别系统的泛化性能。我们的实验表明，所提对比学习方法能够提高识别准确率，并在各种水下数据库上带来显著改善。
引用
@article{arxiv.2402.12658,
title = {Guiding the underwater acoustic target recognition with interpretable contrastive learning},
author = {Yuan Xie and Jiawei Ren and Ji Xu},
journal= {arXiv preprint arXiv:2402.12658},
year = {2024}
}