基于声纳信号散射变换的水下目标分类
计算机视觉与模式识别
2017-09-05 v3
摘要
在本文中，我们应用散射变换（ST，一种基于卷积神经网络（CNN）的非线性映射）于利用声纳信号进行水下目标分类。ST 形式化了这样一种观察：CNN 学习到的滤波器具有类小波结构。我们在真实的未爆弹药（UXOs）数据集以及合成生成的样本上均实现了有效的二分类。我们还探讨了目标域变化（例如平移、旋转和声阻抗等）对波形的影响，并检验了散射变换理论结果带来的后果。我们表明，散射变换能够在合成和真实问题上实现优异的分类，这得益于其具有更多非常适合于目标平移和旋转的准不变性性质。
引用
@article{arxiv.1707.03133,
title = {Underwater object classification using scattering transform of sonar signals},
author = {Naoki Saito and David S. Weber},
journal= {arXiv preprint arXiv:1707.03133},
year = {2017}
}
备注
13 pages, 12 figures, SPIE conference on Wavelets and Sparsity 17. I've also included a compiled version