Resumen Técnico: Mejora de la Característica de Modulación con una Red de Atención Multi-Etapa para el Reconocimiento de Objetivos Acústicos Submarinos

1. Planteamiento del Problema

El reconocimiento de objetivos acústicos submarinos (UATR) es un componente crítico de las aplicaciones marítimas, pero enfrenta desafíos significativos debido a la naturaleza compleja y diversa del ruido radiado por los buques y a la escasez de datos del mundo real. Las principales dificultades incluyen:

• Características Complejas de la Señal: El ruido radiado por los buques consta de componentes mecánicos, de hélice e hidrodinámicos. El ruido de la hélice contiene características de modulación cruciales (frecuencia del eje, número de palas), pero estas exhiben fuerzas de modulación variables a través de las bandas de frecuencia. El análisis convencional de Demodulación de la Envoltura en el Ruido (DEMON) de banda completa a menudo introduce errores debido a esta no uniformidad.
• Representación Insuficiente de las Características: Los métodos existentes a menudo dependen de una segmentación uniforme de bandas de frecuencia o de mecanismos de atención de una sola etapa que no logran capturar las características distintivas de las características en diferentes profundidades de la red. Además, los mecanismos de atención estándar (como la Atención Espacial en CBAM) asumen posiciones espaciales consistentes de la información clave a través de los canales, lo cual no es adecuado para las características espectrales DEMON donde la información clave se distribuye de manera diferente a través de los canales.
• Desequilibrio de Datos: Los conjuntos de datos del mundo real sufren de un desequilibrio de clases severo (distribución de cola larga) y un desequilibrio de muestras "difícil-fácil" debido a las condiciones operativas y entornos variables. Las funciones de pérdida estándar a menudo conducen a modelos que sobreajustan las clases principales y subajustan las clases de cola.

2. Metodología

Los autores proponen un marco robusto de aprendizaje profundo que comprende tres componentes principales: un esquema novedoso de extracción y fusión de características, una Red de Atención Multi-Etapa Multi-Tipo (MMATT) y una Pérdida Focal Ajustable Balanceada por Clase (ACBFL).

2.1. Extracción y Fusión de Características

Para generar características espectrales DEMON 2-D de alta fidelidad, los autores combinan la Descomposición en Modos Variacionales (VMD) y el espectro 3/2-D:

• Descomposición VMD: En lugar de un filtrado de paso de banda uniforme, la señal se descompone adaptativamente en Funciones de Modo Intrínseco (IMF) utilizando VMD. Esto aborda las características de modulación no uniformes del ruido de los buques.
• Espectro 3/2-D: Para cada IMF, se calcula el espectro 3/2-D. Esta estadística de alto orden suprime el ruido gaussiano aditivo y elimina los componentes armónicos no acoplados en fase, preservando la información de fase crucial para el análisis DEMON.
• Estrategia de Fusión: La característica 2-D final se forma fusionando el espectro de amplitud y el espectro 3/2-D al cuadrado. Específicamente, el producto del espectro 3/2-D al cuadrado y el espectro de amplitud se suma al espectro de amplitud. Esto mejora la información clave de frecuencia mientras retiene datos espectrales detallados.

2.2. Red de Atención Multi-Etapa Multi-Tipo (MMATT)

El modelo de reconocimiento utiliza una Red Neuronal Convolucional (CNN) 1-D integrada con un Mecanismo de Atención Multi-Etapa Multi-Tipo. A diferencia de trabajos anteriores que aplican un solo tipo de atención, MMATT coloca módulos de atención distintos en diferentes profundidades de la red para adaptarse a las representaciones de características en evolución:

• Bloque de Atención 1 (Capa Superficial): Emplea el Mecanismo de Atención Espectral Independiente de Canal Residual (R-CISAM). Este módulo utiliza convolución profunda para aplicar pesos de atención espectral distintos a cada canal (componente IMF) de forma independiente, evitando la interferencia causada por el agrupamiento a través de los canales. Incluye una conexión residual para preservar las características originales.
• Bloque de Atención 2 (Capa Media): Emplea el Mecanismo de Atención Espectral Multi-Escala de Separación y Fusión (MS-SFSAM). Este módulo utiliza convoluciones separables profundas dilatadas con múltiples tasas de dilatación (4, 8, 16) para capturar relaciones contextuales globales e información multi-escala, las cuales luego se fusionan a través de los canales.
• Bloque de Atención 3 (Capa Profunda): Emplea un Mecanismo de Atención de Canal estándar (Bloque SE) para recalibrar las características por canal basándose en información global.

2.3. Pérdida Focal Ajustable Balanceada por Clase (ACBFL)

Para abordar el desequilibrio de clases y el desequilibrio de muestras difícil-fácil, los autores proponen ACBFL, que combina dos estrategias:

• Pérdida Focal Ajustable (AFL): Modifica la pérdida focal estándar introduciendo un parámetro ajustable $\beta$ al factor de modulación $(1 - \beta p)^\gamma$. Esto permite que la función de pérdida varíe entre la entropía cruzada y la pérdida focal original dependiendo de la tarea.
• Balanceada por Clase Ajustable (ACB): Introduce un parámetro ajustable $q$ a los pesos de clase. Los pesos son proporcionales a $(1/m_y)^q$, donde $m_y$ es el número de muestras en la clase $y$. Cuando $q=0$, no ocurre balanceo; cuando $q=1$, los pesos son inversamente proporcionales a las frecuencias de clase.
• Formulación Combinada: La función de pérdida final integra ambos ajustes, permitiendo flexibilidad para adaptarse a diversos grados de desequilibrio en diferentes conjuntos de datos.

3. Contribuciones Clave

El artículo afirma las siguientes contribuciones específicas:

1. Extracción de Características Novel: Un método de extracción y fusión de características espectrales DEMON 2-D basado en VMD y el espectro 3/2-D, que captura eficazmente la información de la envoltura de modulación y suprime el ruido.
2. Arquitectura MMATT: Una red de reconocimiento que integra una CNN 1-D con un Mecanismo de Atención Multi-Etapa Multi-Tipo que utiliza diferentes módulos de atención en diferentes profundidades de la red.
3. Nuevos Mecanismos de Atención: La propuesta de dos mecanismos específicos:
   • R-CISAM: Para ponderación espectral independiente de canal en capas superficiales.
   • MS-SFSAM: Para mejora de características multi-escala en capas medias.
4. ACBFL: Una Pérdida Focal Ajustable Balanceada por Clase que alivia los efectos negativos de la distribución de datos de cola larga mientras ofrece adaptabilidad flexible.
5. Validación Empírica: Experimentos exhaustivos en el conjunto de datos real ShipsEar que demuestran la eficacia de los componentes propuestos.

4. Resultados Experimentales

Los experimentos se realizaron en el conjunto de datos ShipsEar (11 clases de buques + ruido natural) utilizando validación cruzada de 5 pliegues. El modelo completo propuesto (VMD-Fusion-CNN-MMATT-ImFL) se comparó con líneas base y variantes ablatadas.

• Extracción de Características: El VMD-Fusion-CNN propuesto logró una Precisión General (OA) del 89.50%, una puntuación F1 de 84.90% y una Precisión Promedio (AA) de 82.58%. Esto superó significativamente al enfoque DEMON tradicional (Trad-CNN: 73.21% OA) y al enfoque filtrado por paso de banda (Filter-CNN: 85.07% OA).
• Rendimiento del Modelo: El modelo completo logró 91.68% OA, 90.04% de puntuación F1 y 89.87% AA.
  • En comparación con la línea base (Trad-CNN), esto representa mejoras del 18.47% en OA, 26.25% en puntuación F1 y 29.49% en AA.
  • En comparación con el modelo que utiliza solo las características mejoradas y la red (VMD-Fusion-CNN-MMATT-CE), la adición de ACBFL (ImFL) mejoró aún más el rendimiento, confirmando su eficacia para manejar el desequilibrio de clases.
• Estudios de Ablación:
  • Eliminar cualquiera de los tres bloques de atención (R-CISAM, MS-SFSAM o SE) resultó en una degradación del rendimiento, confirmando la necesidad del diseño multi-etapa y multi-tipo.
  • Cambiar el orden de los bloques de atención también redujo el rendimiento, validando que los tipos específicos de atención son más adecuados para profundidades específicas de la red (detalles locales en capas superficiales, contexto multi-escala en capas medias, recalibración de canales en capas profundas).
  • El enfoque multi-escala (usando tasas de dilatación 4, 8, 16) superó a los modelos que utilizan tasas de dilatación únicas.
• Análisis de la Función de Pérdida: Los modelos con parámetros ajustables ($\beta$ y $q$) en ACBFL superaron a aquellos con parámetros fijos (0 o 1), demostrando el valor de la flexibilidad propuesta.

5. Significado y Afirmaciones

Los autores afirman que su trabajo proporciona una solución integral a los desafíos del reconocimiento de objetivos acústicos submarinos abordando simultáneamente la representación de características, la arquitectura de la red y el desequilibrio de datos.

• Robustez de las Características: La combinación de VMD y el espectro 3/2-D proporciona una representación más precisa y robusta de la información de modulación que los métodos tradicionales, manejando eficazmente la modulación no uniforme del ruido de los buques.
• Innovación Arquitectónica: El marco MMATT demuestra que aplicar mecanismos de atención diversos en diferentes profundidades de la red produce un rendimiento superior en comparación con los mecanismos de atención de un solo tipo o una sola posición.
• Aplicabilidad Práctica: La ACBFL ofrece una herramienta flexible para manejar el desequilibrio de clases inherente en los conjuntos de datos acústicos del mundo real sin requerir técnicas complejas de remuestreo, haciendo que el modelo sea más adecuado para la implementación práctica donde las distribuciones de datos varían.
• Rendimiento: Los resultados experimentales en el conjunto de datos ShipsEar validan que el marco propuesto mejora significativamente la precisión de reconocimiento, la robustez y la capacidad de reconocer clases minoritarias (clases de cola) en comparación con los métodos existentes de última generación.