Advancing underwater acoustic target recognition via adaptive data pruning and smoothness-inducing regularization

要約

タイトル：適応的データプルーニングと滑らかさ誘導正則化による水中音響ターゲット認識の進歩

要約：

– 水中音響認識は、非直線視野ターゲットを認識することができるため、高い実用的な価値を有している。
– しかしながら、データの取得が困難であり、収集される信号は数量が少なく、主に機械的な周期的ノイズで構成されている。
– 実験により、周期的信号の反復性は、重複するサンプルに対する重要な局所バイアスを示す「二重低点現象」につながることが分かった。
– この問題に対処するため、私たちは交差エントロピーに基づく戦略を提案し、トレーニングデータ内の過度に似たセグメントをプランニングする。
– さらに、トレーニングデータの減少を補うために、ノイズを含むサンプルを生成し、KLダイバージェンスに基づく滑らかさ誘導正則化を適用して過剰適合を緩和する。
– 実験により、私たちの提案されたデータプルーニングと正則化戦略は安定した効果をもたらし、私たちのフレームワークは低資源シナリオにおいて、明らかに最先端よりも優れた性能を発揮することが示された。

要約(オリジナル)

Underwater acoustic recognition for ship-radiated signals has high practical application value due to the ability to recognize non-line-of-sight targets. However, due to the difficulty of data acquisition, the collected signals are scarce in quantity and mainly composed of mechanical periodic noise. According to the experiments, we observe that the repeatability of periodic signals leads to a double-descent phenomenon, which indicates a significant local bias toward repeated samples. To address this issue, we propose a strategy based on cross-entropy to prune excessively similar segments in training data. Furthermore, to compensate for the reduction of training data, we generate noisy samples and apply smoothness-inducing regularization based on KL divergence to mitigate overfitting. Experiments show that our proposed data pruning and regularization strategy can bring stable benefits and our framework significantly outperforms the state-of-the-art in low-resource scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI