技術概要：水中音響目標認識のためのマルチステージ注意ネットワークを用いた変調機能の強化

1. 問題定義

水中音響目標認識（UATR）は海洋応用の重要な構成要素であるが、船舶放射雑音の複雑で多様な性質、および実世界データの不足により、重大な課題に直面している。主な困難点は以下の通りである：

• 複雑な信号特性： 船舶放射雑音は、機械的、プロペラ、および流体力学的な成分から構成される。プロペラ雑音には重要な変調特徴（軸回転数、ブレード数）が含まれるが、これらは周波数帯域によって変調強度が異なる。従来の全帯域エンベロープ復調（DEMON）分析は、この非一様性により誤差を生じさせることが多い。
• 不十分な特徴表現： 既存の手法は、しばしば均一な周波数帯域分割や、ネットワークの深さの異なる段階における特徴の明確な特性を捉えられない単一ステージの注意メカニズムに依存している。さらに、標準的な注意メカニズム（CBAM における空間注意など）は、チャネル全体で重要な情報の空間的位置が一貫していると仮定するが、これは重要な情報がチャネル間で異なって分布する DEMON スペクトル特徴には不適切である。
• データの不均衡： 実世界のデータセットは、運用条件や環境の違いにより、深刻なクラス不均衡（長尾分布）および「困難・容易」なサンプルの不均衡に悩まされている。標準的な損失関数は、しばしばヘッドクラスへの過学習とテールクラスへの未学習をもたらすモデルを生成する。

2. 手法

著者は、新規な特徴抽出・融合スキーム、マルチステージマルチタイプ注意ネットワーク（MMATT）、および調整可能クラスバランス型フォカル損失（ACBFL）という 3 つの中核的コンポーネントからなる堅牢な深層学習フレームワークを提案する。

2.1. 特徴抽出と融合

高忠実度な 2 次元 DEMON スペクトル特徴を生成するために、著者は変分モード分解（VMD）と 3/2 次元スペクトルを組み合わせる：

• VMD 分解： 均一なバンドパスフィルタリングの代わりに、信号を VMD を用いて適応的に固有モード関数（IMF）に分解する。これにより、船舶雑音の非一様な変調特性に対処する。
• 3/2 次元スペクトル： 各 IMF に対して 3/2 次元スペクトルを計算する。この高次統計量は加算性ガウスノイズを抑制し、位相結合されていない高調波成分を除去することで、DEMON 分析に不可欠な位相情報を保持する。
• 融合戦略： 最終的な 2 次元特徴は、振幅スペクトルと 3/2 次元スペクトルの二乗を融合して形成される。具体的には、3/2 次元スペクトルの二乗と振幅スペクトルの積を、振幅スペクトルに加算する。これにより、主要な周波数情報を強化しつつ、詳細なスペクトルデータを保持する。

2.2. マルチステージマルチタイプ注意ネットワーク（MMATT）

認識モデルは、マルチステージマルチタイプ注意メカニズムと統合された 1 次元畳み込みニューラルネットワーク（CNN）を利用する。単一の注意タイプを適用する先行研究とは異なり、MMATT はネットワークの深さの異なる段階に異なる注意モジュールを配置し、変化する特徴表現に適応する：

• 注意ブロック 1（浅い層）： 残差チャネル非依存スペクトル注意メカニズム（R-CISAM） を採用する。このモジュールは、チャネル間プーリングによる干渉を回避するため、チャネル（IMF 成分）ごとに独立して異なるスペクトル注意重みを適用するために、深度方向畳み込みを使用する。また、元の特徴を保持するために残差接続を含む。
• 注意ブロック 2（中間層）： マルチスケール分離・融合スペクトル注意メカニズム（MS-SFSAM） を採用する。このモジュールは、複数の拡張率（4、8、16）を持つ拡張深度方向可分畳み込みを使用して、グローバルな文脈関係とマルチスケール情報を捉え、その後チャネル間で融合する。
• 注意ブロック 3（深い層）： グローバル情報に基づいてチャネルごとの特徴を再較正するために、標準的なチャネル注意メカニズム（SE ブロック）を採用する。

2.3. 調整可能クラスバランス型フォカル損失（ACBFL）

クラス不均衡と「困難・容易」なサンプルの不均衡に対処するため、著者は 2 つの戦略を組み合わせた ACBFL を提案する：

• 調整可能フォカル損失（AFL）： 変調因子 $(1 - \beta p)^\gamma$ に調整可能パラメータ $\beta$ を導入することで、標準的なフォカル損失を修正する。これにより、損失関数はタスクに応じてクロスエントロピーと元のフォカル損失の間で変化する。
• 調整可能クラスバランス（ACB）： クラス重みに調整可能パラメータ $q$ を導入する。重みは $(1/m_y)^q$ に比例し、ここで $m_y$ はクラス $y$ のサンプル数である。$q=0$ の場合、バランス調整は行われず、$q=1$ の場合、重みはクラス頻度に反比例する。
• 結合形式： 最終的な損失関数は、両方の調整を統合し、異なるデータセットにおけるさまざまな程度の不均衡に適応する柔軟性を提供する。

3. 主な貢献

本論文は、以下の具体的な貢献を主張する：

1. 新規な特徴抽出： VMD と 3/2 次元スペクトルに基づく 2 次元 DEMON スペクトル特徴抽出および融合手法。これにより、変調エンベロープ情報を効果的に捉え、ノイズを抑制する。
2. MMATT アーキテクチャ： 1 次元 CNN とマルチステージマルチタイプ注意メカニズムを統合した認識ネットワーク。ネットワークの深さの異なる段階で異なる注意モジュールを利用する。
3. 新規な注意メカニズム： 2 つの特定のメカニズムの提案：
   • R-CISAM： 浅い層におけるチャネル非依存のスペクトル重み付け用。
   • MS-SFSAM： 中間層におけるマルチスケール特徴強化用。
4. ACBFL： 長尾データ分布の負の影響を軽減しつつ、柔軟な適応性を提供する調整可能クラスバランス型フォカル損失。
5. 実証的検証： 実世界データセット「ShipsEar」における包括的な実験により、提案されたコンポーネントの有効性を示す。

4. 実験結果

実験は、5 分割交差検証を用いた ShipsEar データセット（11 種類の船舶クラス＋自然雑音）で行われた。提案された完全モデル（VMD-Fusion-CNN-MMATT-ImFL）は、ベースラインおよびアブレーション変種と比較された。

• 特徴抽出： 提案された VMD-Fusion-CNN は、全体の精度（OA）で 89.50%、F1 スコアで 84.90%、平均精度（AA）で 82.58% を達成した。これは、従来の DEMON 手法（Trad-CNN：OA 73.21%）およびバンドパスフィルタリング手法（Filter-CNN：OA 85.07%）を大幅に上回る結果であった。
• モデル性能： 完全モデルは、91.68% の OA、90.04% の F1 スコア、89.87% の AA を達成した。
  • ベースライン（Trad-CNN）と比較すると、OA で 18.47%、F1 スコアで 26.25%、AA で 29.49% の改善が見られた。
  • 改良された特徴とネットワークのみを使用したモデル（VMD-Fusion-CNN-MMATT-CE）と比較すると、ACBFL（ImFL）の追加がさらに性能を向上させ、クラス不均衡の処理におけるその有効性を確認した。
• アブレーション研究：
  • 3 つの注意ブロック（R-CISAM、MS-SFSAM、SE）のいずれかを除去すると性能が低下し、マルチステージ・マルチタイプの設計の必要性が確認された。
  • 注意ブロックの順序を入れ替えても性能が低下し、特定の注意タイプが特定のネットワークの深さに最適であることを裏付けた（浅い層では局所的詳細、中間層ではマルチスケール文脈、深い層ではチャネル再較正）。
  • マルチスケールアプローチ（拡張率 4、8、16 を使用）は、単一の拡張率を使用するモデルよりも優れていた。
• 損失関数分析： ACBFL 内の調整可能パラメータ（$\beta$ および $q$）を持つモデルは、固定パラメータ（0 または 1）を持つモデルよりも優れており、提案された柔軟性の価値を実証した。

5. 意義と主張

著者は、特徴表現、ネットワークアーキテクチャ、およびデータ不均衡を同時に解決することで、水中音響目標認識の課題に対する包括的な解決策を提供すると主張する。

• 特徴の堅牢性： VMD と 3/2 次元スペクトルの組み合わせは、船舶雑音の非一様な変調を効果的に処理し、従来の手法よりも正確かつ堅牢な変調情報の表現を提供する。
• アーキテクチャの革新： MMATT フレームワークは、異なるネットワークの深さで多様な注意メカニズムを適用することが、単一タイプまたは単一位置の注意メカニズムよりも優れた性能をもたらすことを示している。
• 実用性： ACBFL は、複雑なリサンプリング技術を必要とせずに、実世界の音響データセットに内在するクラス不均衡を処理するための柔軟なツールを提供し、データ分布が変化する実用的な展開に適したモデルとする。
• 性能： ShipsEar データセットにおける実験結果は、提案されたフレームワークが、既存の最先端手法と比較して、認識精度、堅牢性、および少数クラス（テールクラス）の認識能力を大幅に向上させることを実証している。