⚡ electrical engineering

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

Questo articolo propone un framework robusto di deep learning per il riconoscimento di target acustici subacquei che combina l'estrazione di caratteristiche spettrali DEMON 2-D basata su VMD con una Rete Multi-Fase Multi-Tipo di Attenzione (MMATT) e una Funzione di Perdita Focale Bilanciata per Classe Regolabile, per affrontare efficacemente le caratteristiche di rumore complesse e lo squilibrio di classe severo.

Autori originali: Shefeng Yan, Linlin Mao, Zeping Sui, Chunjin Jiang

Pubblicato 2026-05-19

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Shefeng Yan, Linlin Mao, Zeping Sui, Chunjin Jiang

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di dover identificare diverse navi che navigano in un oceano nebbioso ascoltando solo il rumore che producono. Questa è la sfida del Riconoscimento Acustico di Bersagli Sottomarini. L'oceano è rumoroso, i suoni sono complessi e talvolta si dispone di pochissime registrazioni di determinati tipi di navi, rendendo difficile insegnare a un computer a distinguerle.

Questo articolo propone un nuovo sistema "super-ascoltatore" (un modello di deep learning) che risolve tre problemi principali: udire i suoni giusti, concentrarsi sulle parti importanti e imparare equamente quando alcune navi sono rare.

Ecco come funziona la loro soluzione, scomposta in concetti semplici:

1. Pulizia del Suono: La "Decomposizione Intelligente"

I rumori delle navi sono disordinati. Sono un mix di ruggiti dei motori, scatti delle eliche e acqua che scorre.

Il Problema: I metodi tradizionali cercano di ascoltare l'intero rumore contemporaneamente, il che è come cercare di sentire un singolo violino in un'orchestra completa senza alcuna separazione.
La Soluzione: Gli autori utilizzano una tecnica chiamata VMD (Decomposizione Modale Variazionale). Immagina questo come un mixer audio high-tech che divide automaticamente il rumore disordinato in "tracce" o livelli separati, come separare il basso, la batteria e la voce.
Il Miglioramento: Applicano quindi un filtro matematico speciale (lo spettro 3/2-D) a queste tracce. Immagina questo filtro come uno strumento "anti-rumore" che rimuove specificamente il fruscio statico e il ronzio di fondo, mantenendo l'"impronta digitale" unica del motore e dell'elica della nave.
Il Risultato: Combinano queste tracce pulite in una mappa 2-D (un'immagine visiva del suono). Questa mappa evidenzia i specifici "ritmi" (modulazioni) che rendono ogni nave unica, rendendo molto più facile per il computer vedere le differenze.

2. La "Lucetta Intelligente": Attenzione Multi-Stadio

Una volta che il computer ha questa mappa sonora, deve sapere dove guardare.

Il Problema: I modelli standard di visione artificiale usano spesso la stessa "lucetta" (meccanismo di attenzione) ovunque. Ma in questo caso, gli indizi importanti si trovano in posti diversi a seconda di quanto profondamente il computer guarda.
La Soluzione: Gli autori hanno costruito una Rete di Attenzione Multi-Stadio Multi-Tipo (MMATT). Immagina un team di tre detective, ognuno con una specialità diversa, che lavora in diverse fasi dell'indagine:
- Detective 1 (R-CISAM): Esamina i dettagli grezzi di ogni traccia sonora individualmente. Non permette alle tracce di interferire tra loro, assicurando che nessun indizio unico vada perso.
- Detective 2 (MS-SFSAM): Guarda il "quadro d'insieme" e come le diverse parti del suono si relazionano tra loro su un'area più ampia. Usano diversi "livelli di zoom" (multi-scala) per cogliere sia piccoli scatti che grandi ruggiti del motore.
- Detective 3 (Attenzione ai Canali): Decide quali tracce sonore sono le più importanti e ne alza il volume, mentre riduce al minimo quelle irrilevanti.
Il Risultato: Usando questi detective specializzati al momento giusto, il sistema diventa molto più bravo a ignorare il rumore di fondo e a concentrarsi sulla vera identità della nave.

3. Imparare Equamente: La "Scheda Punteggio Regolabile"

I dati del mondo reale sono ingiusti. Potresti avere 1.000 registrazioni di un "Rimorchiatore" ma solo 20 registrazioni di una "Vela".

Il Problema: Se addestri uno studente principalmente con esempi di Rimorchiatori, diventerà un esperto di Rimorchiatori ma fallirà completamente con le Vele. Questo è chiamato squilibrio di classe.
La Soluzione: Gli autori hanno creato un nuovo sistema di punteggio chiamato Perdita Focale Bilanciata per Classe Regolabile (ACBFL).
- Immagina questo come un insegnante che adatta la difficoltà del test in base alle prestazioni dello studente. Se il computer è bravo a identificare le navi comuni, l'insegnante rende le navi rare "più preziose in termini di punti".
- Crucialmente, questo sistema è regolabile. L'insegnante può modificare le impostazioni (parametri) per decidere esattamente quanta attenzione extra dedicare alle navi rare, assicurando che il computer impari a riconoscere tutti i tipi di navi, non solo quelli comuni.

La Conclusione

Gli autori hanno testato questo sistema su dati reali di rumore delle navi (il dataset ShipsEar).

Prima: I metodi standard faticavano, ottenendo circa il 73% di accuratezza.
Dopo: Il loro nuovo sistema, combinando la decomposizione sonora intelligente, i detective multi-stadio e il sistema di punteggio equo, ha raggiunto oltre il 91% di accuratezza.

In breve, non hanno costruito solo un microfono migliore; hanno costruito un cervello più intelligente che sa come pulire il suono, concentrarsi sugli indizi giusti e imparare equamente da dati imperfetti.

Riepilogo Tecnico: Miglioramento della Funzione di Modulazione con una Rete ad Attenzione Multi-Stadio per il Riconoscimento di Bersagli Acustici Sottomarini

1. Enunciato del Problema

Il riconoscimento di bersagli acustici sottomarini (UATR) è un componente critico delle applicazioni marittime, ma affronta sfide significative a causa della natura complessa e diversificata del rumore irradiato dalle navi e della scarsità di dati reali. Le difficoltà principali includono:

Caratteristiche Complesse del Segnale: Il rumore irradiato dalle navi è composto da componenti meccaniche, dell'elica e idrodinamiche. Il rumore dell'elica contiene caratteristiche di modulazione cruciali (frequenza dell'albero, numero di pale), ma queste mostrano intensità di modulazione variabili attraverso le bande di frequenza. Le analisi convenzionali di Demodulazione dell'Inviluppo sul Rumore (DEMON) a banda intera introducono spesso errori a causa di questa non uniformità.
Rappresentazione Inadeguata delle Caratteristiche: I metodi esistenti spesso si affidano a una segmentazione uniforme delle bande di frequenza o a meccanismi di attenzione a stadio singolo che non riescono a catturare le caratteristiche distinte delle funzionalità a diverse profondità di rete. Inoltre, i meccanismi di attenzione standard (come l'Attenzione Spaziale in CBAM) assumono posizioni spaziali coerenti delle informazioni chiave attraverso i canali, il che è inadatto alle caratteristiche spettrali DEMON dove le informazioni chiave sono distribuite diversamente tra i canali.
Squilibrio dei Dati: I dataset reali soffrono di uno squilibrio di classe severo (distribuzione a coda lunga) e di uno squilibrio tra campioni "difficili" e "facili" dovuto alle condizioni operative e agli ambienti variabili. Le funzioni di perdita standard spesso portano a modelli che sovradattano le classi principali e sottodattano le classi di coda.

2. Metodologia

Gli autori propongono un framework di deep learning robusto composto da tre componenti fondamentali: un nuovo schema di estrazione e fusione delle caratteristiche, una Rete ad Attenzione Multi-Stadio Multi-Tipo (MMATT) e una Funzione di Perdita Focal Bilanciata per Classe Regolabile (ACBFL).

2.1. Estrazione e Fusione delle Caratteristiche

Per generare caratteristiche spettrali DEMON 2-D ad alta fedeltà, gli autori combinano la Decomposizione in Modalità Variational (VMD) e lo spettro 3/2-D:

Decomposizione VMD: Invece del filtraggio passa-banda uniforme, il segnale è decomposto adattivamente in Funzioni di Modo Intrinseco (IMF) utilizzando la VMD. Questo affronta le caratteristiche di modulazione non uniformi del rumore navale.
Spettro 3/2-D: Per ogni IMF, viene calcolato lo spettro 3/2-D. Questa statistica di ordine superiore sopprime il rumore gaussiano additivo ed elimina le componenti armoniche non accoppiate in fase, preservando le informazioni di fase cruciali per l'analisi DEMON.
Strategia di Fusione: La caratteristica 2-D finale è formata fondendo lo spettro di ampiezza e lo spettro 3/2-D al quadrato. Nello specifico, il prodotto dello spettro 3/2-D al quadrato e dello spettro di ampiezza viene aggiunto allo spettro di ampiezza. Questo potenzia le informazioni chiave di frequenza mantenendo i dati spettrali dettagliati.

2.2. Rete ad Attenzione Multi-Stadio Multi-Tipo (MMATT)

Il modello di riconoscimento utilizza una Rete Neurale Convoluzionale 1-D (CNN) integrata con un Meccanismo di Attenzione Multi-Stadio Multi-Tipo. A differenza di lavori precedenti che applicano un singolo tipo di attenzione, la MMATT colloca moduli di attenzione distinti a diverse profondità di rete per adattarsi alle rappresentazioni delle caratteristiche in evoluzione:

Blocco di Attenzione 1 (Strato Superficiale): Impiega il Meccanismo di Attenzione Spettrale Indipendente dal Canale Residuale (R-CISAM). Questo modulo utilizza la convoluzione depthwise per applicare pesi di attenzione spettrale distinti a ciascun canale (componente IMF) indipendentemente, evitando interferenze causate dal pooling attraverso i canali. Include una connessione residua per preservare le caratteristiche originali.
Blocco di Attenzione 2 (Strato Intermedio): Impiega il Meccanismo di Attenzione Spettrale Separazione e Fusione Multi-Scala (MS-SFSAM). Questo modulo utilizza convoluzioni separabili depthwise dilatate con tassi di dilatazione multipli (4, 8, 16) per catturare relazioni contestuali globali e informazioni multi-scala, che vengono poi fuse attraverso i canali.
Blocco di Attenzione 3 (Strato Profondo): Impiega un Meccanismo di Attenzione ai Canali standard (Blocco SE) per ricalibrare le caratteristiche per canale basandosi su informazioni globali.

2.3. Funzione di Perdita Focal Bilanciata per Classe Regolabile (ACBFL)

Per affrontare lo squilibrio di classe e lo squilibrio tra campioni difficili e facili, gli autori propongono l'ACBFL, che combina due strategie:

Perdita Focal Regolabile (AFL): Modifica la perdita focal standard introducendo un parametro regolabile $\beta$ nel fattore di modulazione $(1 - \beta p)^\gamma$ . Questo permette alla funzione di perdita di variare tra cross-entropy e perdita focal originale a seconda del compito.
Bilanciamento per Classe Regolabile (ACB): Introduce un parametro sintonizzabile $q$ ai pesi di classe. I pesi sono proporzionali a $(1/m_y)^q$ , dove $m_y$ è il numero di campioni nella classe $y$ . Quando $q=0$ , non avviene alcun bilanciamento; quando $q=1$ , i pesi sono inversamente proporzionali alle frequenze di classe.
Formulazione Combinata: La funzione di perdita finale integra entrambe le regolazioni, permettendo flessibilità per adattarsi a diversi gradi di squilibrio in diversi dataset.

3. Contributi Chiave

Il documento rivendica i seguenti contributi specifici:

Nuova Estrazione delle Caratteristiche: Un metodo di estrazione e fusione di caratteristiche spettrali DEMON 2-D basato su VMD e lo spettro 3/2-D, che cattura efficacemente le informazioni sull'inviluppo di modulazione e sopprime il rumore.
Architettura MMATT: Una rete di riconoscimento che integra una CNN 1-D con un Meccanismo di Attenzione Multi-Stadio Multi-Tipo che utilizza diversi moduli di attenzione a diverse profondità di rete.
Nuovi Meccanismi di Attenzione: La proposta di due meccanismi specifici:
- R-CISAM: Per la ponderazione spettrale indipendente dal canale negli strati superficiali.
- MS-SFSAM: Per il potenziamento delle caratteristiche multi-scala negli strati intermedi.
ACBFL: Una Funzione di Perdita Focal Bilanciata per Classe Regolabile che allevia gli effetti negativi della distribuzione dei dati a coda lunga offrendo al contempo adattabilità flessibile.
Validazione Empirica: Esperimenti completi sul dataset ShipsEar del mondo reale che dimostrano l'efficacia dei componenti proposti.

4. Risultati Sperimentali

Gli esperimenti sono stati condotti sul dataset ShipsEar (11 classi di navi + rumore naturale) utilizzando la validazione incrociata a 5 fold. Il modello completo proposto (VMD-Fusion-CNN-MMATT-ImFL) è stato confrontato con baseline e varianti ablate.

Estrazione delle Caratteristiche: Il proposto VMD-Fusion-CNN ha raggiunto una Precisione Complessiva (OA) del 89,50%, un punteggio F1 dell'84,90% e una Precisione Media (AA) dell'82,58%. Questo ha superato significativamente l'approccio DEMON tradizionale (Trad-CNN: 73,21% OA) e l'approccio filtrato passa-banda (Filter-CNN: 85,07% OA).
Prestazioni del Modello: Il modello completo ha raggiunto il 91,68% OA, un punteggio F1 del 90,04% e un 89,87% AA.
- Rispetto alla baseline (Trad-CNN), ciò rappresenta miglioramenti del 18,47% in OA, del 26,25% nel punteggio F1 e del 29,49% in AA.
- Rispetto al modello che utilizza solo le caratteristiche migliorate e la rete (VMD-Fusion-CNN-MMATT-CE), l'aggiunta di ACBFL (ImFL) ha ulteriormente migliorato le prestazioni, confermandone l'efficacia nella gestione dello squilibrio di classe.
Studi di Ablazione:
- La rimozione di uno qualsiasi dei tre blocchi di attenzione (R-CISAM, MS-SFSAM o SE) ha portato a un degrado delle prestazioni, confermando la necessità del design multi-stadio e multi-tipo.
- Lo scambio dell'ordine dei blocchi di attenzione ha ridotto anche le prestazioni, validando che tipi di attenzione specifici sono più adatti per specifiche profondità di rete (dettagli locali negli strati superficiali, contesto multi-scala negli strati intermedi, ricalibrazione dei canali negli strati profondi).
- L'approccio multi-scala (utilizzando tassi di dilatazione 4, 8, 16) ha superato i modelli che utilizzavano singoli tassi di dilatazione.
Analisi della Funzione di Perdita: I modelli con parametri regolabili ( $\beta$ e $q$ ) in ACBFL hanno superato quelli con parametri fissi (0 o 1), dimostrando il valore della flessibilità proposta.

5. Significato e Rivendicazioni

Gli autori rivendicano che il loro lavoro fornisce una soluzione completa alle sfide del riconoscimento di bersagli acustici sottomarini affrontando simultaneamente la rappresentazione delle caratteristiche, l'architettura di rete e lo squilibrio dei dati.

Robustezza delle Caratteristiche: La combinazione di VMD e spettro 3/2-D fornisce una rappresentazione più accurata e robusta delle informazioni di modulazione rispetto ai metodi tradizionali, gestendo efficacemente la modulazione non uniforme del rumore navale.
Innovazione Architettonica: Il framework MMATT dimostra che l'applicazione di meccanismi di attenzione diversificati a diverse profondità di rete produce prestazioni superiori rispetto ai meccanismi di attenzione a tipo singolo o a posizione singola.
Applicabilità Pratica: L'ACBFL offre uno strumento flessibile per gestire lo squilibrio di classe intrinseco nei dataset acustici reali senza richiedere tecniche complesse di ricampionamento, rendendo il modello più adatto al dispiegamento pratico dove le distribuzioni dei dati variano.
Prestazioni: I risultati sperimentali sul dataset ShipsEar validano che il framework proposto migliora significativamente l'accuratezza del riconoscimento, la robustezza e la capacità di riconoscere le classi minoritarie (classi di coda) rispetto ai metodi esistenti all'avanguardia.