稀疏编码定位抹香鲸
通过使用稳定的多脉冲结构作为检测标准,在嘈杂环境中识别和分类点击存在,区分噪声瞬变并处理多只抹香鲸的同时发射,实现了高噪声瞬变和低信噪比的处理。与两个基准检测器的结果相比,我们观察到精确率和召回率之间更好的权衡,尤其是在嘈杂环境中显著降低了误检测率。
Dec, 2023
在此研究中,我们提出了一种针对海底人造资产稀疏环境设计的自主水下航行器的新型实时声纳全球定位算法。通过利用两种数据解释前端,并在同一声纳数据流中合并这些观测结果,我们的方法在粒子滤波器内加权高概率区域的粒子或解决对称模糊。在模拟环境中进行了初步实验,结果显示出良好的前景。这项工作为将来的方法发展和在实际情况下的全面评估奠定了基础。
May, 2024
本文提出了一种基于机器学习和图像处理的新方法,用于在高环境噪声和干扰噪声的情况下识别北大西洋北鲸的叫声,并采用连续区域算法和网格掩模技术进行处理,提取特征并进行分类,结果表明该技术可以有效地从 20000 多个音频片段中检测到鲸鱼叫声,并超过了 90% 的真实阳性率。
May, 2013
通过生成航空和卫星合成图像数据集,SeaDroneSim2 基准套件改善了鲸鱼检测并减少了训练数据收集所需的工作量,相比仅使用真实数据进行训练,在鲸鱼检测方面取得了 15%的性能提升,通过对 10%的真实数据进行增补。
Aug, 2023
本文介绍了一个卷积神经网络,其能够对三种鲸鱼、非生物噪声和环境噪声进行分类,以便于检测出水声记录中的鲸鱼叫声。作者们还提出一种新的声学信号表示方法,该方法建立在常用的谱图表示的基础上,通过差值和堆叠使用不同的短时傅里叶变换参数生成的多个谱图。该方法特别适用于海洋哺乳动物物种分类的任务中。
Jul, 2019
本文提出了一种基于特征选择算法的网络入侵检测系统,该算法采用鲸鱼优化算法和遗传算法来挑选入侵节点特征,并结合 KNN 分类算法进行检测,实验结果表明该方法在准确性方面具有优越性。
Jan, 2022
本研究针对数据采集困难的问题,对基于水声识别的船舶辐射信号进行数据整合,采用交叉熵策略和 KL 散度的光滑度约束正则化方法来补充并优化训练数据,实验证明,该方法在低资源场景下能显著提升模型表现。
Apr, 2023
本文提出使用卷积神经网络 (CNNs) 在浅水复途径环境下,对宽带声辐射噪声源(如机动船只)的源定位,通过使用 cepstrogram 和广义交叉相关图作为输入, 显示出更可靠的效果,同时证明了在海上实验中,相比传统的被动测距方法,其定位性能得到了改进。
Oct, 2017
通过使用学习到的特征进行声纳图像对应关系,本文针对水下 SLAM 中的数据关联问题提出了一种新颖的方法。我们介绍了 SONIC(SONar Image Correspondence),一个通过姿态监督的网络,旨在生成能够抵御视角变化的强大特征对应关系。该方法在为声纳图像生成对应关系方面表现出显著的优异性能,为更准确的闭环约束和基于声纳的地点识别铺平了道路。为促进该领域的进一步发展,我们将提供代码以及模拟和真实世界的数据集。
Oct, 2023
图像基础下的动物个体再识别通过分析动物个体的固有毛皮、羽毛或皮肤图案来研究动物种群的时移模式,本文通过结合两种类型的图案相似度度量(图案特征聚合得到的图案外观相似度和分析图案相似性的几何图案相似度)提出了一种高效利用局部和全局图案特征的再识别方法,适用于多种不同类型的图案。实验部分表明,该方法在洞庭湖环封印和鲸鲨的再识别准确度上表现出了有希望的结果。
Aug, 2023