論文の概要: The Computation of Generalized Embeddings for Underwater Acoustic Target Recognition using Contrastive Learning

• arxiv url: http://arxiv.org/abs/2505.12904v1
• Date: Mon, 19 May 2025 09:37:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:11.519374
• Title: The Computation of Generalized Embeddings for Underwater Acoustic Target Recognition using Contrastive Learning
• Title（参考訳）: コントラスト学習を用いた水中音響目標認識のための一般化埋め込みの計算
• Authors: Hilde I. Hummel, Arwin Gansekoele, Sandjai Bhulai, Rob van der Mei,
• Abstract要約: 海洋環境における音汚染は、海洋の健康に対する脅威を増大させる。 このノイズをモニターすることで、汚染の原因となるソースをマッピングすることができる。 これにより大量のデータ記録が生成され、船舶活動や海洋哺乳類の発声などの音源が混在している。
• 参考スコア（独自算出の注目度）: 0.7145837421668514
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The increasing level of sound pollution in marine environments poses an increased threat to ocean health, making it crucial to monitor underwater noise. By monitoring this noise, the sources responsible for this pollution can be mapped. Monitoring is performed by passively listening to these sounds. This generates a large amount of data records, capturing a mix of sound sources such as ship activities and marine mammal vocalizations. Although machine learning offers a promising solution for automatic sound classification, current state-of-the-art methods implement supervised learning. This requires a large amount of high-quality labeled data that is not publicly available. In contrast, a massive amount of lower-quality unlabeled data is publicly available, offering the opportunity to explore unsupervised learning techniques. This research explores this possibility by implementing an unsupervised Contrastive Learning approach. Here, a Conformer-based encoder is optimized by the so-called Variance-Invariance-Covariance Regularization loss function on these lower-quality unlabeled data and the translation to the labeled data is made. Through classification tasks involving recognizing ship types and marine mammal vocalizations, our method demonstrates to produce robust and generalized embeddings. This shows to potential of unsupervised methods for various automatic underwater acoustic analysis tasks.
• Abstract（参考訳）: 海洋環境における音汚染のレベルが上昇すると、海洋の健康に対する脅威が増大し、水中の騒音を監視することが重要となる。 このノイズをモニターすることで、汚染の原因となるソースをマッピングすることができる。 監視はこれらの音を受動的に聴くことによって行われる。 これにより大量のデータ記録が生成され、船舶活動や海洋哺乳類の発声などの音源が混在している。 機械学習は自動音響分類のための有望なソリューションを提供するが、現在の最先端の手法は教師あり学習を実装している。 これは、公開されていない大量の高品質なラベル付きデータを必要とする。 対照的に、大量の低品質のラベルなしデータが公開されており、教師なし学習テクニックを探求する機会を提供する。 本研究は,教師なしコントラスト学習手法を導入することで,この可能性を探るものである。 ここでは、これらの低品質な未ラベルデータに対して、いわゆる分散不変共分散正規化損失関数を用いて、コンバータベースのエンコーダを最適化し、ラベル付きデータへの変換を行う。 本手法は,船舶のタイプや海洋哺乳類の発声の認識に関わる分類作業を通じて,ロバストで汎用的な埋め込みを創出することを実証する。 このことから, 水中音響解析における教師なし手法の可能性が示唆された。

関連論文リスト

• Correcting Noisy Multilabel Predictions: Modeling Label Noise through Latent Space Shifts [6.0882756122009996]
  ほとんどの現実世界の機械学習アプリケーションでは、データのノイズは避けられないように思える。 マルチラベル分類における雑音ラベル学習の分野について検討した。 我々のモデルは、雑音のラベル付けは潜伏変数の変化から生じると仮定し、より堅牢で有益な学習手段を提供する。
  論文  参考訳（メタデータ） (2025-02-20T05:41:52Z)
• All Thresholds Barred: Direct Estimation of Call Density in Bioacoustic Data [1.7916003204531015]
  本研究では,データ単位の呼び出し密度を推定するための検証手法を提案する。 我々はこれらの分布を用いて、分布シフトの対象となるサイトレベルの密度を予測する。
  論文  参考訳（メタデータ） (2024-02-23T14:52:44Z)
• WhaleNet: a Novel Deep Learning Architecture for Marine Mammals Vocalizations on Watkins Marine Mammal Sound Database [49.1574468325115]
  textbfWhaleNet (Wavelet Highly Adaptive Learning Ensemble Network) は海洋哺乳動物の発声を分類するための高度な深層アンサンブルアーキテクチャである。 既存のアーキテクチャよりも8-10%の精度で分類精度を向上し、分類精度は9,7.61%である。
  論文  参考訳（メタデータ） (2024-02-20T11:36:23Z)
• 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)
• Explainable Artificial Intelligence driven mask design for self-supervised seismic denoising [0.0]
  自己教師付きコヒーレントノイズ抑圧法は、ノイズ統計の広範な知識を必要とする。 本稿では,視覚ネットワークであるブラックボックスの内部を見るために,説明可能な人工知能アプローチを提案する。 ランダムに選択された多数の入力画素に対するジャコビアン寄与の簡易な平均化が、最も効果的なマスクの指標であることを示す。
  論文  参考訳（メタデータ） (2023-07-13T11:02:55Z)
• Learning with Noisy labels via Self-supervised Adversarial Noisy Masking [33.87292143223425]
  対向雑音マスキングと呼ばれる新しいトレーニング手法を提案する。 入力データとラベルを同時に調整し、ノイズの多いサンプルが過度に収まらないようにする。 合成および実世界のノイズデータセットの両方でテストされる。
  論文  参考訳（メタデータ） (2023-02-14T03:13:26Z)
• On-the-fly Denoising for Data Augmentation in Natural Language Understanding [101.46848743193358]
  よりクリーンなオリジナルデータに基づいて訓練された有機教師モデルによって提供されるソフトな拡張ラベルから学習する,データ拡張のためのオンザフライデノケーション手法を提案する。 本手法は,一般的な拡張手法に適用でき,テキスト分類と質問応答の両タスクの性能を一貫して向上させることができる。
  論文  参考訳（メタデータ） (2022-12-20T18:58:33Z)
• Discriminative Singular Spectrum Classifier with Applications on Bioacoustic Signal Recognition [67.4171845020675]
  分析や分類に有用な特徴を効率的に抽出する識別機構を備えた生体音響信号分類器を提案する。 タスク指向の現在のバイオ音響認識法とは異なり、提案モデルは入力信号をベクトル部分空間に変換することに依存する。 提案法の有効性は,アヌラン,ミツバチ,蚊の3種の生物音響データを用いて検証した。
  論文  参考訳（メタデータ） (2021-03-18T11:01:21Z)
• Unsupervised Domain Adaptation for Acoustic Scene Classification Using Band-Wise Statistics Matching [69.24460241328521]
  機械学習アルゴリズムは、トレーニング(ソース)とテスト(ターゲット)データの分散のミスマッチの影響を受けやすい。 本研究では,ターゲット領域音響シーンの各周波数帯域の1次及び2次サンプル統計値と,ソース領域学習データセットの1次と2次サンプル統計値との整合性を有する教師なし領域適応手法を提案する。 提案手法は,文献にみられる最先端の教師なし手法よりも,ソース・ドメインの分類精度とターゲット・ドメインの分類精度の両面で優れていることを示す。
  論文  参考訳（メタデータ） (2020-04-30T23:56:05Z)

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。