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

本文提出了一种利用神经网络进行水声信号识别的方法，通过从频谱中提取特征，利用深度学习模型不断学习抽象特征并调整权重，以提高分类性能。

Dec, 2023

我们提出了一种基于丰富相关信息模板的水下声学识别方法（称为 UART），其采用音频 - 频谱图 - 文本三模态对比度学习框架，通过自然语言描述引导声学表征的学习，在实践中具有更好的识别能力和泛化性能，并且预先训练的 UART 模型可以在没有任何辅助注释的情况下为识别模型提供卓越的先验知识。

May, 2023

自主导航与水下环境中的挑战，主要包括光吸收和水浑浊度等因素，传统视觉算法对声纳生成的声学图像的应用效果较差，而卷积神经网络通常需要大量的标记训练数据，这些数据通常难以获取。因此，我们提出了一种新型的紧凑型深度声纳描述符管道，它能够在仅仅用于合成数据的情况下推广到真实场景，并通过标准的临时规范化 / 预滤波技术提升输入声纳数据的质量。同时，我们还介绍了自定义的合成数据生成过程。通过对合成和公开可用的真实数据的广泛评估，证明了我们提出的方法相较于最先进的方法更加有效。

Aug, 2023

本论文提出了一种新颖的深度学习方法，通过利用在广泛范围的非水下（空中）声音上训练的模型分析海量水下声音数据。我们通过主成分分析和 UMAP 可视化方法，在二维空间中对水下数据进行了聚类，并选择候选标签进行进一步训练。其次，我们使用选定的水下数据和非水下数据集训练了一个神经网络模型，并量化分析了模型对于识别空气枪声，一种常见的水下声音，的准确率、召回率和 F1 得分。我们的模型达到了超过 84.3% 的 F1 得分，证明了我们的方法在分析水下声学数据方面的有效性。该论文提出的方法在减少水下数据分析所需的工作量方面具有重要潜力，为跨领域数据分析的进一步研究开辟了新的可能性。

Sep, 2023

提出了一种名为 FilterAugment 的数据增强方法，用于在不同声学环境下正则化音频模型。通过在频率带上应用不同的权重，这种方法可以模拟声学滤波器，从而使模型能够从更广泛的频率区域提取相关信息。实验证明，与频率屏蔽相比，FilterAugment 在声音事件检测性能方面的提升为 6.50％，在说话人验证方面取得了 1.22％的等误率。

Oct, 2021

本文介绍了一种使用深度学习技术对声学相机图像进行去噪的新策略，该策略由两个主要组件组成：自监督去噪框架和精细特征引导块。实验结果表明，该去噪策略可以有效过滤声学相机图像，而不需要先验的噪声模型。去噪过程几乎是端到端的，无需复杂的参数调整和后处理，成功去除噪声同时保留细节特征，从而增强了局部特征匹配的性能。

Jun, 2024

本文提出了一种使用生成对抗网络 (GANs) 来提高可视水下场景质量的方法，该方法可以为水下机器人在视觉驱动任务上的表现提供更好的输入，同时提供了定量和定性数据，证明了这种方法的有效性。

Jan, 2018

本文提出一种基于卷积块注意力模块和自适应全局直方图拉伸算法的水下目标检测方法，以提高水下环境下目标检测的准确性和图像质量，经过对 URPC2021 基准数据集的大量实验和全面评估，证明了该方法的有效性。

May, 2022

本文提出了一个自适应广义识别系统 - AGNet（自适应广义网络），用于分析海洋声学环境中的船舶辐射噪声识别。通过将固定的小波参数转化为可学习的精细参数，AGNet 学习了不同频率下的水下声音特征，并采用卷积神经网络并行卷积注意力模块作为分类器。实验表明，AGNet 在几个水下声学数据集上胜过所有基线方法，而且对于各种干扰因素表现出鲁棒性。

May, 2023