基于直方图的参数高效调优方法用于被动与主动声纳分类
机器学习
2026-04-20 v3 声音
摘要
参数高效迁移学习（PETL）方法在不微调整个模型的情况下将大型人工神经网络适配到下游任务。然而，现有的加性方法（如适配器）有时难以捕捉中间特征嵌入中的分布偏移。我们提出了一种新颖的基于直方图的参数高效调优（HPT）技术，用于捕捉目标域的统计信息并调节嵌入。在三个下游被动声纳数据集（ShipsEar、DeepShip、Vessel Type Underwater Acoustic Data (VTUAD)）上的实验结果表明，HPT优于传统适配器。特别地，HPT在VTUAD上实现了91.8%对89.8%的准确率。对于主动声纳图像（Watertank、Turntable），HPT与其他PETL方法具有竞争力。此外，HPT产生的特征表示更接近完全微调模型的特征表示。总体而言，HPT在参数节省与分布感知之间取得了平衡，为现有适配器提供了一种分布感知的替代方案，并展示了在资源受限环境中迁移学习的有前景方向。代码公开：https://github.com/Advanced-Vision-and-Learning-Lab/HLAST_DeepShip_ParameterEfficient。
引用
@article{arxiv.2504.15214,
title = {Histogram-based Parameter-efficient Tuning for Passive and Active Sonar Classification},
author = {Amirmohammad Mohammadi and Davelle Carreiro and Alexandra Van Dine and Joshua Peeples},
journal= {arXiv preprint arXiv:2504.15214},
year = {2026}
}
备注
5 pages, 3 figures. This work has been accepted to IEEE IGARSS 2026