基于平滑诱导正则化与谱图数据增强的水下声学目标识别
声音
2024-05-01 v3 机器学习
摘要
由于复杂的水下环境和有限的数据可用性，水下声学目标识别是一项具有挑战性的任务。数据不足会阻碍识别系统支持复杂建模的能力，从而阻碍其发展。为提高识别模型的泛化能力，已采用数据增强等技术来模拟水下信号并丰富数据分布。然而，水下环境的复杂性会导致模拟信号偏离真实场景，从而产生被非真实数据误导的偏置模型。在本研究中，我们提出两种策略，在有限数据情况下增强模型的泛化能力，同时避免性能下降的风险。首先，作为传统数据增强的替代方案，我们利用平滑诱导正则化，仅将模拟信号纳入正则化项。此外，我们提出一种专门的基于谱图的数据增强策略，即局部掩码与复制（LMR），以捕捉类间关系。我们的实验与可视化分析证明了所提策略的优越性。
引用
@article{arxiv.2306.06945,
title = {Underwater Acoustic Target Recognition based on Smoothness-inducing Regularization and Spectrogram-based Data Augmentation},
author = {Ji Xu and Yuan Xie and Wenchao Wang},
journal= {arXiv preprint arXiv:2306.06945},
year = {2024}
}