論文の概要: Adversarial multi-task underwater acoustic target recognition: towards robustness against various influential factors

• arxiv url: http://arxiv.org/abs/2411.02848v1
• Date: Tue, 05 Nov 2024 06:42:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-06 14:58:29.226790
• Title: Adversarial multi-task underwater acoustic target recognition: towards robustness against various influential factors
• Title（参考訳）: 対向型マルチタスク水中音響目標認識 : 各種要因に対する頑健性に向けて
• Authors: Yuan Xie, Ji Xu, Jiawei Ren, Junfeng Li,
• Abstract要約: 受動的ソナーに基づく水中音響目標認識は、実用的海洋用途において多くの課題に直面している。 主な課題の1つは、様々な環境条件に対する信号特性の受容性である。 水中音響目標認識の分野では、流線型因子は無視されることが多い。
• 参考スコア（独自算出の注目度）: 25.187507472845944
• License:
• Abstract: Underwater acoustic target recognition based on passive sonar faces numerous challenges in practical maritime applications. One of the main challenges lies in the susceptibility of signal characteristics to diverse environmental conditions and data acquisition configurations, which can lead to instability in recognition systems. While significant efforts have been dedicated to addressing these influential factors in other domains of underwater acoustics, they are often neglected in the field of underwater acoustic target recognition. To overcome this limitation, this study designs auxiliary tasks that model influential factors (e.g., source range, water column depth, or wind speed) based on available annotations and adopts a multi-task framework to connect these factors to the recognition task. Furthermore, we integrate an adversarial learning mechanism into the multi-task framework to prompt the model to extract representations that are robust against influential factors. Through extensive experiments and analyses on the ShipsEar dataset, our proposed adversarial multi-task model demonstrates its capacity to effectively model the influential factors and achieve state-of-the-art performance on the 12-class recognition task.
• Abstract（参考訳）: 受動的ソナーに基づく水中音響目標認識は、実用的海洋用途において多くの課題に直面している。 主な課題の1つは、様々な環境条件やデータ取得構成に対する信号特性の受容性であり、認識システムの不安定性につながる可能性がある。 水中音響の他の領域におけるこれらの影響要因に対処するために重要な努力がなされているが、水中音響目標認識の分野では無視されることが多い。 この制限を克服するために、利用可能なアノテーションに基づいて、影響要因(例えば、ソース範囲、水柱深度、風速)をモデル化する補助タスクを設計し、これらの要因を認識タスクに接続するマルチタスクフレームワークを採用する。 さらに,対戦型学習機構をマルチタスクフレームワークに統合し,影響要因に対して頑健な表現を抽出する。 ShipsEarデータセットの広範な実験と解析を通じて、提案した逆数多タスクモデルは、影響要因を効果的にモデル化し、12クラスの認識タスクで最先端のパフォーマンスを達成する能力を示す。

関連論文リスト

• Advancing Robust Underwater Acoustic Target Recognition through Multi-task Learning and Multi-Gate Mixture-of-Experts [25.187507472845944]
  本研究では,モデルが頑健なパターンを捕捉する能力を高めるため,M3と呼ばれる認識フレームワークを提案する。 本フレームワークでは,ターゲットサイズを推定するなど,ターゲット特性に着目した補助タスクを設計する。 M3にはマルチエキスパートとマルチゲート機構が組み込まれており、異なるパラメータ空間を様々な水中信号に割り当てることができる。
  論文  参考訳（メタデータ） (2024-11-05T03:52:36Z)
• Underwater Acoustic Signal Recognition Based on Salient Feature [9.110359213246825]
  本稿では,水中音響信号認識のためのニューラルネットワークを用いた手法を提案する。 提案手法は,水中音響信号の分類のためのスペクトルから抽出した特徴を連続的に学習することを含む。
  論文  参考訳（メタデータ） (2023-12-20T16:04:02Z)
• A Survey on Transferability of Adversarial Examples across Deep Neural Networks [53.04734042366312]
  逆の例では、機械学習モデルを操作して誤った予測を行うことができます。 敵の例の転送可能性により、ターゲットモデルの詳細な知識を回避できるブラックボックス攻撃が可能となる。 本研究は, 対角移動可能性の展望を考察した。
  論文  参考訳（メタデータ） (2023-10-26T17:45:26Z)
• Fairness Increases Adversarial Vulnerability [50.90773979394264]
  フェアネスとロバストネスの間に二分法が存在することを示し、フェアネスを達成するとモデルロバストネスを減少させる。 非線形モデルと異なるアーキテクチャの実験は、複数の視覚領域における理論的発見を検証する。 フェアネスとロバストネスの良好なトレードオフを達成するためのモデルを構築するための,シンプルで効果的なソリューションを提案する。
  論文  参考訳（メタデータ） (2022-11-21T19:55:35Z)
• Generalizing Fairness: Discovery and Mitigation of Unknown Sensitive Attributes [5.665283675533071]
  本稿では,特定のデータセットから個々のセマンティックセンシティブな要因を分離し,その特徴付けを行う手法について検討する。 また、通常、社会的に関係のある要素にのみ対応し、AIの脱感作に対処するフェアネスの是正も行います。 道路標識 (GTSRB) と顔画像 (CelebA) のデータセットを用いた実験では, この方式を用いることの約束を示す。
  論文  参考訳（メタデータ） (2021-07-28T20:18:08Z)
• Towards Unbiased Visual Emotion Recognition via Causal Intervention [63.74095927462]
  本稿では,データセットバイアスによる負の効果を軽減するために,新しい感情認識ネットワーク(IERN)を提案する。 IERNの有効性を検証する一連の設計されたテストと、3つの感情ベンチマークの実験は、IERNが他の最先端のアプローチよりも優れていることを示した。
  論文  参考訳（メタデータ） (2021-07-26T10:40:59Z)
• Spectrum-Guided Adversarial Disparity Learning [52.293230153385124]
  本稿では,新たなエンド・ツー・エンドの知識指向学習フレームワークを提案する。 2つの競合符号化分布を用いてクラス条件付きクラス内不一致を表現し、学習された不一致を識別することで精製された潜伏符号を学習する。 4つのHARベンチマークデータセットに対する実験により,提案手法の頑健性と,最先端の手法による一般化が実証された。
  論文  参考訳（メタデータ） (2020-07-14T05:46:27Z)
• Towards Understanding the Adversarial Vulnerability of Skeleton-based Action Recognition [133.35968094967626]
  骨格に基づく行動認識は、動的状況への強い適応性から注目を集めている。 ディープラーニング技術の助けを借りて、かなり進歩し、現在、良識のある環境で約90%の精度を達成している。 異なる対角的環境下での骨格に基づく行動認識の脆弱性に関する研究はいまだ研究されていない。
  論文  参考訳（メタデータ） (2020-05-14T17:12:52Z)
• Deep Auto-Encoders with Sequential Learning for Multimodal Dimensional Emotion Recognition [38.350188118975616]
  本稿では、2ストリームのオートエンコーダと、感情認識のための長期記憶からなる新しいディープニューラルネットワークアーキテクチャを提案する。 野生データセットRECOLAにおけるマルチモーダル感情に関する広範な実験を行った。 実験の結果,提案手法は最先端の認識性能を達成し,既存のスキームをはるかに上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-04-28T01:25:00Z)
• Deep Learning for Sensor-based Human Activity Recognition: Overview, Challenges and Opportunities [52.59080024266596]
  本稿では,センサを用いた人間の活動認識のための最先端のディープラーニング手法について調査する。 まず、官能データのマルチモーダリティを導入し、公開データセットに情報を提供する。 次に、課題によって深層メソッドを構築するための新しい分類法を提案する。
  論文  参考訳（メタデータ） (2020-01-21T09:55:59Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。