⚡ electrical engineering

Modulation Feature Enhancement with a Multi-Stage Attention Network for Underwater Acoustic Target Recognition

Ce papier propose un cadre d'apprentissage profond robuste pour la reconnaissance de cibles acoustiques sous-marines qui combine l'extraction de caractéristiques spectrales DEMON 2D basée sur VMD avec un Réseau d'Attention Multi-Étape Multi-Type (MMATT) et une Perte Focalisée de Classe Équilibrée Réglable afin de traiter efficacement les caractéristiques de bruit complexes et le déséquilibre sévère des classes.

Auteurs originaux : Shefeng Yan, Linlin Mao, Zeping Sui, Chunjin Jiang

Publié 2026-05-19

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Shefeng Yan, Linlin Mao, Zeping Sui, Chunjin Jiang

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayiez d'identifier différents navires naviguant dans un océan brumeux uniquement en écoutant le bruit qu'ils produisent. C'est le défi de la Reconnaissance Acoustique de Cibles Sous-Marines. L'océan est bruyant, les sons sont complexes, et parfois vous disposez de très peu d'enregistrements pour certains types de navires, ce qui rend difficile l'apprentissage d'un ordinateur pour les distinguer.

Ce papier propose un nouveau système d'« écouteur surpuissant » (un modèle d'apprentissage profond) qui résout trois problèmes principaux : entendre les bons sons, se concentrer sur les parties importantes, et apprendre équitablement lorsque certains navires sont rares.

Voici comment leur solution fonctionne, décomposée en concepts simples :

1. Nettoyer le Son : La « Décomposition Intelligente »

Les bruits des navires sont désordonnés. Ils sont un mélange de grondements de moteur, de clics d'hélice et d'eau qui dévale.

Le Problème : Les méthodes traditionnelles tentent d'écouter l'ensemble du bruit d'un coup, ce qui revient à essayer d'entendre un seul violon dans un orchestre complet sans aucune séparation.
La Solution : Les auteurs utilisent une technique appelée VMD (Décomposition Variationnelle de Modes). Imaginez cela comme un mixeur audio haute technologie qui sépare automatiquement le bruit désordonné en « pistes » ou couches distinctes, comme séparer la basse, la batterie et les voix.
L'Amélioration : Ils appliquent ensuite un filtre mathématique spécial (le spectre 3/2-D) à ces pistes. Imaginez ce filtre comme un outil de « réduction de bruit » qui élimine spécifiquement les statiques et les sifflements de fond tout en conservant l'« empreinte digitale » unique du moteur et de l'hélice du navire.
Le Résultat : Ils combinent ces pistes nettoyées en une carte 2-D (une image visuelle du son). Cette carte met en évidence les « rythmes » spécifiques (modulations) qui rendent chaque navire unique, rendant ainsi beaucoup plus facile pour l'ordinateur de voir les différences.

2. Le « Projecteur Intelligent » : Attention Multi-Étape

Une fois que l'ordinateur possède cette carte sonore, il doit savoir où regarder.

Le Problème : Les modèles de vision par ordinateur standards utilisent souvent le même « projecteur » (mécanisme d'attention) partout. Mais dans ce cas, les indices importants se trouvent à des endroits différents selon la profondeur de l'analyse de l'ordinateur.
La Solution : Les auteurs ont construit un Réseau d'Attention Multi-Étape Multi-Type (MMATT). Imaginez une équipe de trois détectives, chacun ayant une spécialité différente, travaillant à différentes étapes de l'enquête :
- Détective 1 (R-CISAM) : Examine les détails bruts de chaque piste sonore individuellement. Il ne laisse pas les pistes interférer entre elles, garantissant qu'aucun indice unique n'est perdu.
- Détective 2 (MS-SFSAM) : Examine la « grande image » et la façon dont différentes parties du son sont liées entre elles sur une zone plus large. Il utilise différents « niveaux de zoom » (multi-échelle) pour attraper à la fois les petits clics et les gros grondements de moteur.
- Détective 3 (Attention par Canal) : Décide quelles pistes sonores sont les plus importantes et augmente leur volume tout en coupant celles qui sont sans rapport.
Le Résultat : En utilisant ces détectives spécialisés au bon moment, le système devient beaucoup plus efficace pour ignorer le bruit de fond et se concentrer sur la véritable identité du navire.

3. Apprendre Équitablement : La « Tableau de Score Réglable »

Les données du monde réel sont injustes. Vous pourriez avoir 1 000 enregistrements d'un « Remorqueur » mais seulement 20 enregistrements d'un « Voilier ».

Le Problème : Si vous entraînez un étudiant avec principalement des exemples de Remorqueurs, il deviendra un expert des Remorqueurs mais échouera complètement avec les Voiliers. C'est ce qu'on appelle le déséquilibre des classes.
La Solution : Les auteurs ont créé un nouveau système de notation appelé Perte Focale Équilibrée par Classe Réglable (ACBFL).
- Imaginez cela comme un enseignant qui ajuste la difficulté du test en fonction des performances de l'étudiant. Si l'ordinateur est bon pour identifier les navires courants, l'enseignant rend les navires rares « plus précieux en points ».
- Crucialement, ce système est réglable. L'enseignant peut ajuster les paramètres pour décider exactement combien d'attention supplémentaire accorder aux navires rares, garantissant que l'ordinateur apprend à reconnaître tous les types de navires, pas seulement les plus courants.

La Conclusion

Les auteurs ont testé ce système sur des données réelles de bruit de navires (le jeu de données ShipsEar).

Avant : Les méthodes standards luttaient, obtenant environ 73 % de précision.
Après : Leur nouveau système, combinant la décomposition sonore intelligente, les détectives multi-étapes et le système de notation équitable, a atteint plus de 91 % de précision.

En bref, ils n'ont pas seulement construit un meilleur microphone ; ils ont construit un cerveau plus intelligent qui sait comment nettoyer le son, se concentrer sur les bons indices et apprendre équitablement à partir de données imparfaites.

Résumé technique : Amélioration de la fonctionnalité de modulation avec un réseau d'attention multi-étapes pour la reconnaissance de cibles acoustiques sous-marines

1. Énoncé du problème

La reconnaissance de cibles acoustiques sous-marines (UATR) est un composant critique des applications maritimes, mais elle fait face à des défis majeurs dus à la nature complexe et diverse du bruit rayonné par les navires et à la pénurie de données réelles. Les principales difficultés incluent :

Caractéristiques complexes du signal : Le bruit rayonné par les navires se compose de composantes mécaniques, de l'hélice et hydrodynamiques. Le bruit de l'hélice contient des caractéristiques de modulation cruciales (fréquence de l'arbre, nombre de pales), mais celles-ci présentent des forces de modulation variables selon les bandes de fréquence. L'analyse conventionnelle de la démodulation de l'enveloppe sur le bruit (DEMON) sur toute la bande introduit souvent des erreurs en raison de cette non-uniformité.
Représentation inadéquate des caractéristiques : Les méthodes existantes reposent souvent sur un découpage uniforme des bandes de fréquence ou sur des mécanismes d'attention à une seule étape qui échouent à capturer les caractéristiques distinctes des features à différentes profondeurs du réseau. De plus, les mécanismes d'attention standards (comme l'attention spatiale dans CBAM) supposent des positions spatiales cohérentes des informations clés à travers les canaux, ce qui est inadapté aux caractéristiques spectrales DEMON où les informations clés sont distribuées différemment selon les canaux.
Déséquilibre des données : Les jeux de données réels souffrent d'un déséquilibre de classe sévère (distribution à longue traîne) et d'un déséquilibre d'échantillons « difficiles-faciles » dû aux conditions de fonctionnement et aux environnements variables. Les fonctions de perte standards conduisent souvent à des modèles qui surajustent les classes principales (head) et sous-ajustent les classes minoritaires (tail).

2. Méthodologie

Les auteurs proposent un cadre d'apprentissage profond robuste comprenant trois composantes principales : un nouveau schéma d'extraction et de fusion de caractéristiques, un réseau d'attention multi-étapes et multi-types (MMATT), et une fonction de perte focalisée ajustable et équilibrée par classe (ACBFL).

2.1. Extraction et fusion de caractéristiques

Pour générer des caractéristiques spectrales DEMON 2-D haute fidélité, les auteurs combinent la décomposition modale variationnelle (VMD) et le spectre 3/2-D :

Décomposition VMD : Au lieu d'un filtrage passe-bande uniforme, le signal est décomposé de manière adaptative en fonctions modales intrinsèques (IMF) à l'aide de la VMD. Cela répond aux caractéristiques de modulation non uniformes du bruit des navires.
Spectre 3/2-D : Pour chaque IMF, le spectre 3/2-D est calculé. Cette statistique d'ordre supérieur supprime le bruit gaussien additif et élimine les composantes harmoniques non couplées en phase, préservant ainsi l'information de phase cruciale pour l'analyse DEMON.
Stratégie de fusion : La caractéristique 2-D finale est formée en fusionnant le spectre d'amplitude et le spectre 3/2-D au carré. Plus précisément, le produit du spectre 3/2-D au carré et du spectre d'amplitude est ajouté au spectre d'amplitude. Cela renforce les informations fréquentielles clés tout en conservant les données spectrales détaillées.

2.2. Réseau d'attention multi-étapes et multi-types (MMATT)

Le modèle de reconnaissance utilise un réseau de neurones convolutifs 1-D (CNN) intégré à un mécanisme d'attention multi-étapes et multi-types. Contrairement aux travaux antérieurs qui appliquent un seul type d'attention, le MMATT place des modules d'attention distincts à différentes profondeurs du réseau pour s'adapter aux représentations de caractéristiques évolutives :

Bloc d'attention 1 (Couche superficielle) : Utilise le mécanisme d'attention spectrale résiduelle indépendante des canaux (R-CISAM). Ce module utilise une convolution par profondeur pour appliquer des poids d'attention spectrale distincts à chaque canal (composante IMF) indépendamment, évitant ainsi les interférences causées par le pooling à travers les canaux. Il inclut une connexion résiduelle pour préserver les caractéristiques originales.
Bloc d'attention 2 (Couche intermédiaire) : Utilise le mécanisme d'attention spectrale séparée et fusionnée multi-échelle (MS-SFSAM). Ce module utilise des convolutions séparables par profondeur dilatées avec plusieurs taux de dilatation (4, 8, 16) pour capturer les relations contextuelles globales et les informations multi-échelles, qui sont ensuite fusionnées à travers les canaux.
Bloc d'attention 3 (Couche profonde) : Utilise un mécanisme d'attention de canal standard (bloc SE) pour recalibrer les caractéristiques par canal en fonction des informations globales.

2.3. Perte focalisée ajustable et équilibrée par classe (ACBFL)

Pour répondre au déséquilibre des classes et au déséquilibre des échantillons difficiles-faciles, les auteurs proposent l'ACBFL, qui combine deux stratégies :

Perte focalisée ajustable (AFL) : Modifie la perte focalisée standard en introduisant un paramètre ajustable $\beta$ dans le facteur de modulation $(1 - \beta p)^\gamma$ . Cela permet à la fonction de perte de varier entre l'entropie croisée et la perte focalisée originale selon la tâche.
Équilibrage par classe ajustable (ACB) : Introduit un paramètre réglable $q$ dans les poids de classe. Les poids sont proportionnels à $(1/m_y)^q$ , où $m_y$ est le nombre d'échantillons dans la classe $y$ . Lorsque $q=0$ , aucun équilibrage ne se produit ; lorsque $q=1$ , les poids sont inversement proportionnels aux fréquences de classe.
Formulation combinée : La fonction de perte finale intègre les deux ajustements, permettant une flexibilité pour s'adapter à des degrés variables de déséquilibre dans différents jeux de données.

3. Contributions clés

L'article revendique les contributions spécifiques suivantes :

Nouvelle extraction de caractéristiques : Une méthode d'extraction et de fusion de caractéristiques spectrales DEMON 2-D basée sur la VMD et le spectre 3/2-D, qui capture efficacement les informations de l'enveloppe de modulation et supprime le bruit.
Architecture MMATT : Un réseau de reconnaissance intégrant un CNN 1-D avec un mécanisme d'attention multi-étapes et multi-types qui utilise différents modules d'attention à différentes profondeurs du réseau.
Nouveaux mécanismes d'attention : La proposition de deux mécanismes spécifiques :
- R-CISAM : Pour le pondération spectrale indépendante des canaux dans les couches superficielles.
- MS-SFSAM : Pour l'amélioration des caractéristiques multi-échelles dans les couches intermédiaires.
ACBFL : Une perte focalisée ajustable et équilibrée par classe qui atténue les effets négatifs de la distribution à longue traîne des données tout en offrant une adaptabilité flexible.
Validation empirique : Des expériences complètes sur le jeu de données réel ShipsEar démontrant l'efficacité des composantes proposées.

4. Résultats expérimentaux

Des expériences ont été menées sur le jeu de données ShipsEar (11 classes de navires + bruit naturel) en utilisant une validation croisée à 5 plis. Le modèle complet proposé (VMD-Fusion-CNN-MMATT-ImFL) a été comparé à des modèles de référence et à des variantes ablatées.

Extraction de caractéristiques : Le VMD-Fusion-CNN proposé a atteint une précision globale (OA) de 89,50 %, un score F1 de 84,90 % et une précision moyenne (AA) de 82,58 %. Cela surpasse significativement l'approche DEMON traditionnelle (Trad-CNN : 73,21 % OA) et l'approche filtrée par passe-bande (Filter-CNN : 85,07 % OA).
Performance du modèle : Le modèle complet a atteint 91,68 % OA, 90,04 % de score F1 et 89,87 % AA.
- Par rapport à la référence (Trad-CNN), cela représente des améliorations de 18,47 % en OA, 26,25 % en score F1 et 29,49 % en AA.
- Par rapport au modèle utilisant uniquement les caractéristiques et le réseau améliorés (VMD-Fusion-CNN-MMATT-CE), l'ajout de l'ACBFL (ImFL) a encore amélioré les performances, confirmant son efficacité dans la gestion du déséquilibre des classes.
Études d'ablation :
- Le retrait de l'un des trois blocs d'attention (R-CISAM, MS-SFSAM ou SE) a entraîné une dégradation des performances, confirmant la nécessité de la conception multi-étapes et multi-types.
- Le changement de l'ordre des blocs d'attention a également réduit les performances, validant que des types d'attention spécifiques sont mieux adaptés à des profondeurs de réseau spécifiques (détails locaux dans les couches superficielles, contexte multi-échelle dans les couches intermédiaires, recalibrage des canaux dans les couches profondes).
- L'approche multi-échelle (utilisant des taux de dilatation 4, 8, 16) a surpassé les modèles utilisant des taux de dilatation uniques.
Analyse de la fonction de perte : Les modèles avec des paramètres ajustables ( $\beta$ et $q$ ) dans l'ACBFL ont surpassé ceux avec des paramètres fixes (0 ou 1), démontrant la valeur de la flexibilité proposée.

5. Importance et revendications

Les auteurs affirment que leur travail fournit une solution complète aux défis de la reconnaissance de cibles acoustiques sous-marines en traitant simultanément la représentation des caractéristiques, l'architecture du réseau et le déséquilibre des données.

Robustesse des caractéristiques : La combinaison de la VMD et du spectre 3/2-D fournit une représentation plus précise et robuste des informations de modulation que les méthodes traditionnelles, gérant efficacement la modulation non uniforme du bruit des navires.
Innovation architecturale : Le cadre MMATT démontre que l'application de mécanismes d'attention diversifiés à différentes profondeurs du réseau produit des performances supérieures par rapport aux mécanismes d'attention à type unique ou à position unique.
Applicabilité pratique : L'ACBFL offre un outil flexible pour gérer le déséquilibre inhérent des classes dans les jeux de données acoustiques réels sans nécessiter de techniques de rééchantillonnage complexes, rendant le modèle plus adapté au déploiement pratique où les distributions de données varient.
Performance : Les résultats expérimentaux sur le jeu de données ShipsEar valident que le cadre proposé améliore significativement la précision de reconnaissance, la robustesse et la capacité à reconnaître les classes minoritaires (classes de queue) par rapport aux méthodes existantes de l'état de l'art.