論文の概要: A Multi-task Learning Balanced Attention Convolutional Neural Network Model for Few-shot Underwater Acoustic Target Recognition

• arxiv url: http://arxiv.org/abs/2504.13102v1
• Date: Thu, 17 Apr 2025 17:11:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-18 14:35:29.300420
• Title: A Multi-task Learning Balanced Attention Convolutional Neural Network Model for Few-shot Underwater Acoustic Target Recognition
• Title（参考訳）: 水中音場認識のためのマルチタスク学習バランス型アテンション畳み込みニューラルネットワークモデル
• Authors: Wei Huang, Shumeng Sun, Junpeng Lu, Zhenpeng Xu, Zhengyang Xiu, Hao Zhang,
• Abstract要約: マルチタスク平衡チャネルアテンション畳み込みニューラルネットワーク(MT-BCA-CNN)を提案する。 実験の結果、MT-BCA-CNNは97%の分類精度と95%のF1$-scoreを27クラスのショットシナリオで達成している。 本研究は, 海洋生物音響学とソナー信号処理の研究を推進し, 水中音場認識のための効率的なソリューションを提供する。
• 参考スコア（独自算出の注目度）: 6.499457102377181
• License:
• Abstract: Underwater acoustic target recognition (UATR) is of great significance for the protection of marine diversity and national defense security. The development of deep learning provides new opportunities for UATR, but faces challenges brought by the scarcity of reference samples and complex environmental interference. To address these issues, we proposes a multi-task balanced channel attention convolutional neural network (MT-BCA-CNN). The method integrates a channel attention mechanism with a multi-task learning strategy, constructing a shared feature extractor and multi-task classifiers to jointly optimize target classification and feature reconstruction tasks. The channel attention mechanism dynamically enhances discriminative acoustic features such as harmonic structures while suppressing noise. Experiments on the Watkins Marine Life Dataset demonstrate that MT-BCA-CNN achieves 97\% classification accuracy and 95\% $F1$-score in 27-class few-shot scenarios, significantly outperforming traditional CNN and ACNN models, as well as popular state-of-the-art UATR methods. Ablation studies confirm the synergistic benefits of multi-task learning and attention mechanisms, while a dynamic weighting adjustment strategy effectively balances task contributions. This work provides an efficient solution for few-shot underwater acoustic recognition, advancing research in marine bioacoustics and sonar signal processing.
• Abstract（参考訳）: 水中音響目標認識(UATR)は海洋の多様性と国防の安全を守る上で非常に重要である。 深層学習の発展は、UATRに新たな機会を与えるが、参照サンプルの不足と複雑な環境干渉による課題に直面している。 これらの課題に対処するため,MT-BCA-CNN (Multi-task balanced channel attention convolutional Neural Network) を提案する。 チャネルアテンション機構とマルチタスク学習戦略を統合し,共有特徴抽出器とマルチタスク分類器を構築し,目標分類と特徴再構成タスクを協調的に最適化する。 チャネルアテンション機構は、雑音を抑えながらハーモニック構造などの識別音響特性を動的に向上させる。 Watkins Marine Life Datasetの実験では、MT-BCA-CNNの分類精度は97\%、27クラスのいくつかのシナリオでは95\%$F1$-scoreに達し、従来のCNNやACNNのモデルよりも大幅に優れており、また最先端のUATR法も優れている。 アブレーション研究はマルチタスク学習とアテンションメカニズムの相乗効果を確認し、動的重み付け調整戦略はタスクコントリビューションを効果的にバランスさせる。 本研究は, 海洋生物音響学とソナー信号処理の研究を推進し, 水中音場認識のための効率的なソリューションを提供する。

関連論文リスト

• Bilevel Joint Unsupervised and Supervised Training for Automatic Speech Recognition [75.89351788005479]
  BL-JUSTは、自動音声認識のための二段階共同教師なしおよび教師付き訓練フレームワークである。 BL-JUSTは、教師なしと教師なしの両方の損失関数を同時に最小化する音響モデルの最適化を試みる。 BL-JUSTは、広く使われている事前学習と微調整の戦略と、他の人気のある半教師あり技術よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-12-11T17:06:12Z)
• 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)
• SINR-Aware Deep Reinforcement Learning for Distributed Dynamic Channel Allocation in Cognitive Interference Networks [10.514231683620517]
  本稿では,複数の大規模ネットワークによるキャリヤ間干渉(ICI)とチャネル再利用を経験する実世界のシステムに焦点を当てる。 CARLTON(Channel Allocation RL To Overlapped Networks)と呼ばれる分散DCAのための新しいマルチエージェント強化学習フレームワークを提案する。 本結果は,従来の最先端手法に比べて優れた効率性を示し,優れた性能とロバストな一般化を示した。
  論文  参考訳（メタデータ） (2024-02-17T20:03:02Z)
• Histogram Layer Time Delay Neural Networks for Passive Sonar Classification [58.720142291102135]
  時間遅延ニューラルネットワークとヒストグラム層を組み合わせた新しい手法により,特徴学習の改善と水中音響目標分類を実現する。 提案手法はベースラインモデルより優れており,受動的ソナー目標認識のための統計的文脈を取り入れた有効性を示す。
  論文  参考訳（メタデータ） (2023-07-25T19:47:26Z)
• Joint Channel Estimation and Feedback with Masked Token Transformers in Massive MIMO Systems [74.52117784544758]
  本稿では,CSI行列内の固有周波数領域相関を明らかにするエンコーダデコーダに基づくネットワークを提案する。 エンコーダ・デコーダネットワーク全体がチャネル圧縮に使用される。 提案手法は,共同作業における現状のチャネル推定およびフィードバック技術より優れる。
  論文  参考訳（メタデータ） (2023-06-08T06:15:17Z)
• A Generic Shared Attention Mechanism for Various Backbone Neural Networks [53.36677373145012]
  自己注意モジュール(SAM)は、異なる層にまたがる強い相関した注意マップを生成する。 Dense-and-Implicit Attention (DIA)はSAMをレイヤ間で共有し、長期間のメモリモジュールを使用する。 我々のシンプルで効果的なDIAは、様々なネットワークバックボーンを一貫して拡張できます。
  論文  参考訳（メタデータ） (2022-10-27T13:24:08Z)
• Towards Balanced Learning for Instance Recognition [149.76724446376977]
  本稿では,インスタンス認識のためのバランス学習のためのフレームワークであるLibra R-CNNを提案する。 IoUバランスのサンプリング、バランスの取れた特徴ピラミッド、客観的再重み付けをそれぞれ統合し、サンプル、特徴、客観的レベルの不均衡を低減します。
  論文  参考訳（メタデータ） (2021-08-23T13:40:45Z)
• ADRN: Attention-based Deep Residual Network for Hyperspectral Image Denoising [52.01041506447195]
  ノイズの多いHSIからクリーンなHSIへのマッピングを学習するために,注目に基づくディープ残差ネットワークを提案する。 実験の結果,提案手法は定量的および視覚的評価において最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-03-04T08:36:27Z)
• Hybrid Multiple Attention Network for Semantic Segmentation in Aerial Images [24.35779077001839]
  グローバルな相関関係を適応的に捉えるために,Hybrid Multiple Attention Network (HMANet) という新しいアテンションベースのフレームワークを提案する。 本稿では,機能的冗長性を低減し,自己注意機構の効率を向上させるため,単純で効果的な領域シャッフルアテンション(RSA)モジュールを提案する。
  論文  参考訳（メタデータ） (2020-01-09T07:47:51Z)

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。