通过可学习 Gabor 滤波卷积与注意力机制提高水下声学分类
机器学习
2026-01-08 v2 人工智能
声音
摘要
远程检测和分类水下声学目标对于环境监测和国防领域至关重要。然而，舰船辐射噪声和环境噪声的复杂性对准确信号处理构成重大挑战。虽然近期机器学习技术的进步提高了分类准确率，但数据集有限且缺乏标准化实验，致使其泛化性和鲁棒性受限。本文引入GSE ResNeXt，这是一种深度学习架构，将可学习的Gabor卷积层与ResNeXt主干网络相结合，并增强了 squeeze-and-excitation 注意力机制。Gabor滤波器作为二维自适应带通滤波器，扩展了特征通道表示。其与通道注意力的组合提高了训练稳定性和收敛速度，同时增强了模型提取判别性特征的能力。该模型采用三种训练-测试分离策略进行评估，这些策略反映了日益复杂的分类任务，证明了系统化评估设计如何解决数据泄漏、时间分离和分类学问题。结果表明，GSE ResNeXt在分类性能方面 consistently 优于Xception、ResNet和MobileNetV2等基线模型。在稳定性和收敛性方面，向模型初始层添加Gabor卷积可将训练时间缩短最高可达62%。在训练-测试分离评估中，子集之间的时间分离显著影响性能，影响程度远大于训练数据量。这些发现表明，信号处理可增强模型在数据有限的水下声学分类场景下的可靠性和泛化性。未来工作应致力于缓解环境因素对输入信号的影响。
引用
@article{arxiv.2512.14714,
title = {Improving Underwater Acoustic Classification Through Learnable Gabor Filter Convolution and Attention Mechanisms},
author = {Lucas Cesar Ferreira Domingos and Russell Brinkworth and Paulo Eduardo Santos and Karl Sammut},
journal= {arXiv preprint arXiv:2512.14714},
year = {2026}
}