通过基于卷积的混合专家模型解析水下声学目标识别中的复杂数据多样性
声音
2024-05-01 v2 音频与语音处理
摘要
由于水下声学信号的复杂性质，水下声学目标识别是一项困难的任务。复杂的水下环境、不可预测的传播通道和动态的运动状态极大地影响了真实世界的水下声学信号，甚至可能掩盖与目标相关的内在特征。因此，水下声学信号的数据分布表现出高度的类内多样性，从而损害了识别系统的准确性和鲁棒性。为了解决这些问题，本文提出了一种基于卷积的混合专家 (CMoE) 模型，以细粒度的方式识别水下目标。所提出的技术引入了多个专家层作为独立的学习器，以及一个根据输入特征确定专家分配的路由层。这种设计允许模型利用独立的参数空间，促进具有高类内多样性的复杂水下信号的学习。此外，本文通过平衡正则化和可选的残差模块优化了 CMoE 结构。为了验证我们提出技术的有效性，我们在三个水下声学数据库上针对多种声学特征进行了详细的实验和可视化分析。实验结果表明，与现有的先进方法相比，我们的 CMoE 始终实现了显著的性能提升，提供了更优越的识别准确率。
引用
@article{arxiv.2402.11919,
title = {Unraveling Complex Data Diversity in Underwater Acoustic Target Recognition through Convolution-based Mixture of Experts},
author = {Yuan Xie and Jiawei Ren and Ji Xu},
journal= {arXiv preprint arXiv:2402.11919},
year = {2024}
}