論文の概要: AquaSignal: An Integrated Framework for Robust Underwater Acoustic Analysis

• arxiv url: http://arxiv.org/abs/2505.14285v1
• Date: Tue, 20 May 2025 12:35:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 14:49:53.17326
• Title: AquaSignal: An Integrated Framework for Robust Underwater Acoustic Analysis
• Title（参考訳）: AquaSignal:ロバスト水中音響解析のための統合フレームワーク
• Authors: Eirini Panteli, Paulo E. Santos, Nabil Humphrey,
• Abstract要約: AquaSignalは、水中音響信号の事前処理、復調、分類、新規検出のためのモジュール式でスケーラブルなパイプラインである。 システムは、DeepshipとOcean Networks Canada (ONC)ベンチマークの合計データセットで評価される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents AquaSignal, a modular and scalable pipeline for preprocessing, denoising, classification, and novelty detection of underwater acoustic signals. Designed to operate effectively in noisy and dynamic marine environments, AquaSignal integrates state-of-the-art deep learning architectures to enhance the reliability and accuracy of acoustic signal analysis. The system is evaluated on a combined dataset from the Deepship and Ocean Networks Canada (ONC) benchmarks, providing a diverse set of real-world underwater scenarios. AquaSignal employs a U-Net architecture for denoising, a ResNet18 convolutional neural network for classifying known acoustic events, and an AutoEncoder-based model for unsupervised detection of novel or anomalous signals. To our knowledge, this is the first comprehensive study to apply and evaluate this combination of techniques on maritime vessel acoustic data. Experimental results show that AquaSignal improves signal clarity and task performance, achieving 71% classification accuracy and 91% accuracy in novelty detection. Despite slightly lower classification performance compared to some state-of-the-art models, differences in data partitioning strategies limit direct comparisons. Overall, AquaSignal demonstrates strong potential for real-time underwater acoustic monitoring in scientific, environmental, and maritime domains.
• Abstract（参考訳）: 本稿では,水中音響信号の事前処理,復調,分類,ノベルティ検出のためのモジュール型かつスケーラブルなパイプラインであるAquaSignalについて述べる。 AquaSignalは、雑音や動的海洋環境で効果的に動作するように設計されており、最先端のディープラーニングアーキテクチャを統合して、音響信号解析の信頼性と精度を高める。 このシステムは、ディープシップ・アンド・オーシャンネットワーク・カナダ(ONC)のベンチマークと組み合わせたデータセットで評価され、現実世界の水中シナリオの多様なセットを提供する。 AquaSignalは、デノナイズのためのU-Netアーキテクチャ、既知の音響イベントを分類するためのResNet18畳み込みニューラルネットワーク、新しい信号や異常信号の教師なし検出のためのAutoEncoderベースのモデルを採用している。 我々の知る限り、この組み合わせを海洋容器音響データに適用し、評価するのは、これが初めての総合的研究である。 実験の結果,AquaSignalは信号の明瞭度とタスク性能を向上し,新奇性検出において71%の分類精度と91%の精度を達成した。 いくつかの最先端モデルと比較して、分類性能はわずかに低いが、データ分割戦略の違いは直接比較を制限する。 全体として、AquaSignalは、科学的、環境学的、海洋的領域におけるリアルタイム水中音響モニタリングの強い可能性を示している。

関連論文リスト

• Underwater Acoustic Signal Denoising Algorithms: A Survey of the State-of-the-art [8.874900087462134]
  この分野でかなりの進歩があったにもかかわらず、水中環境の複雑な性質は、デノナイジング過程を複雑にする固有の課題を生んでいる。 まず, 水中音響信号処理に関する基本的な課題について概説し, 信号減衰, ノイズ変動, 環境要因の影響について概説する。 このレビューは、従来の、分解ベース、学習ベースのテクニックなど、さまざまな分類アルゴリズムを体系的に分類し、議論し、それらの応用、利点、限界を強調している。
  論文  参考訳（メタデータ） (2024-07-18T08:14:59Z)
• DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
  AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。 現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。 本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T13:43:46Z)
• Cross-domain Sound Recognition for Efficient Underwater Data Analysis [4.373836150479923]
  本研究では, 水中音の広帯域学習モデルを用いて, 水中音響データを解析するための新しい深層学習手法を提案する。 我々は,PCA と UMAP の可視化を用いて2次元空間にデータをクラスタ化し,これらのクラスタ内の点を聴き,それらの定義特性を理解する。 第2部では、選択した水中データと非水中データセットの両方を用いてニューラルネットワークモデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-07T02:26:32Z)
• 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)
• Adaptive ship-radiated noise recognition with learnable fine-grained wavelet transform [25.887932248706218]
  本稿では,適応型一般化認識システム AGNet を提案する。 固定ウェーブレットパラメータをきめ細かな学習可能なパラメータに変換することにより、AGNetは異なる周波数で水中音の特性を学習する。 実験の結果、AGNetは水中音響データセットのベースライン法を全て上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-05-31T06:56:01Z)
• DeepAqua: Self-Supervised Semantic Segmentation of Wetland Surface Water Extent with SAR Images using Knowledge Distillation [44.99833362998488]
  トレーニングフェーズ中に手動アノテーションを不要にする自己教師型ディープラーニングモデルであるDeepAquaを提案する。 我々は、光とレーダーをベースとしたウォーターマスクが一致する場合を利用して、水面と植物の両方を検知する。 実験の結果,DeepAquaの精度は7%向上し,Intersection Over Unionが27%,F1が14%向上した。
  論文  参考訳（メタデータ） (2023-05-02T18:06:21Z)
• Learning-based estimation of in-situ wind speed from underwater acoustics [58.293528982012255]
  水中音響から風速時系列を検索するための深層学習手法を提案する。 我々のアプローチは、事前の物理知識と計算効率の両面から恩恵を受けるために、データ同化と学習ベースのフレームワークをブリッジする。
  論文  参考訳（メタデータ） (2022-08-18T15:27:40Z)
• 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)
• Capturing scattered discriminative information using a deep architecture in acoustic scene classification [49.86640645460706]
  本研究では,識別情報を捕捉し,同時に過度に適合する問題を緩和する様々な手法について検討する。 我々は、ディープニューラルネットワークにおける従来の非線形アクティベーションを置き換えるために、Max Feature Map法を採用する。 2つのデータ拡張方法と2つの深いアーキテクチャモジュールは、システムの過度な適合を減らし、差別的なパワーを維持するためにさらに検討されている。
  論文  参考訳（メタデータ） (2020-07-09T08:32:06Z)

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。