기술 요약: 수중 음향 표적 인식을 위한 다단계 어텐션 네트워크를 활용한 변조 기능 향상

1. 문제 제기

수중 음향 표적 인식 (UATR) 은 해상 응용 분야의 핵심 구성 요소이지만, 선박 방사 소음의 복잡하고 다양한 특성 및 실세계 데이터의 부족으로 인해 상당한 도전에 직면해 있습니다. 주요 어려움은 다음과 같습니다:

• 복잡한 신호 특성: 선박 방사 소음은 기계적, 프로펠러, 유체역학적 성분으로 구성됩니다. 프로펠러 소음에는 축 회전수, 날개 수와 같은 중요한 변조 특성이 포함되어 있지만, 이러한 특성은 주파수 대역에 따라 변조 강도가 다양하게 나타납니다. 이러한 비균일성으로 인해 기존의 전체 대역 잡음 포락선 복조 (DEMON) 분석은 종종 오류를 발생시킵니다.
• 부족한 특징 표현: 기존 방법들은 종종 특징의 고유한 특성을 포착하지 못하는 균일한 주파수 대역 분할이나 단일 단계 어텐션 메커니즘에 의존합니다. 또한, 표준 어텐션 메커니즘 (CBAM 의 공간 어텐션 등) 은 채널 간에 핵심 정보의 공간적 위치가 일관된다고 가정하는데, 이는 채널 간에 핵심 정보가 다르게 분포된 DEMON 스펙트럼 특징에는 적합하지 않습니다.
• 데이터 불균형: 실세계 데이터셋은 운영 조건과 환경의 차이로 인해 심각한 클래스 불균형 (긴 꼬리 분포) 과 '쉬운 - 어려운' 샘플 불균형을 겪습니다. 표준 손실 함수는 종종 헤드 클래스에 과적합되고 테일 클래스에 과소적합되는 모델을 초래합니다.

2. 방법론

저자들은 새로운 특징 추출 및 융합 방식, 다단계 다유형 어텐션 네트워크 (MMATT), 그리고 조절 가능한 클래스 균형 포칼 손실 (ACBFL) 로 구성된 세 가지 핵심 요소를 포함하는 강력한 딥러닝 프레임워크를 제안합니다.

2.1. 특징 추출 및 융합

고충실도 2 차원 DEMON 스펙트럼 특징을 생성하기 위해 저자들은 변분 모드 분해 (VMD) 와 3/2 차원 스펙트럼을 결합합니다:

• VMD 분해: 균일한 대역 통과 필터링 대신, 신호를 VMD 를 사용하여 고유 모드 함수 (IMF) 로 적응적으로 분해합니다. 이는 선박 소음의 비균일한 변조 특성을 해결합니다.
• 3/2 차원 스펙트럼: 각 IMF 에 대해 3/2 차원 스펙트럼을 계산합니다. 이 고차 통계량은 가산 가우시안 잡음을 억제하고 위상 결합이 아닌 조화 성분을 제거하여 DEMON 분석에 필수적인 위상 정보를 보존합니다.
• 융합 전략: 최종 2 차원 특징은 진폭 스펙트럼과 제곱된 3/2 차원 스펙트럼을 융합하여 형성됩니다. 구체적으로, 제곱된 3/2 차원 스펙트럼과 진폭 스펙트럼의 곱을 진폭 스펙트럼에 더합니다. 이는 중요한 주파수 정보를 강화하면서도 상세한 스펙트럼 데이터를 유지합니다.

2.2. 다단계 다유형 어텐션 네트워크 (MMATT)

인식 모델은 다양한 네트워크 깊이에서 진화하는 특징 표현에 적응하기 위해 서로 다른 어텐션 모듈을 배치하는 다단계 다유형 어텐션 메커니즘과 통합된 1 차원 합성곱 신경망 (CNN) 을 활용합니다. 단일 어텐션 유형을 적용하는 이전 연구들과는 달리, MMATT 는 다음과 같습니다:

• 어텐션 블록 1 (얕은 층): **잔차 채널 독립 스펙트럼 어텐션 메커니즘 (R-CISAM)**을 사용합니다. 이 모듈은 채널 간 풀링으로 인한 간섭을 피하기 위해 각 채널 (IMF 성분) 에 독립적으로 적용되는 고유한 스펙트럼 어텐션 가중치를 적용하기 위해 깊이별 합성곱을 사용합니다. 원래 특징을 보존하기 위해 잔차 연결을 포함합니다.
• 어텐션 블록 2 (중간 층): **다중 스케일 분리 - 융합 스펙트럼 어텐션 메커니즘 (MS-SFSAM)**을 사용합니다. 이 모듈은 여러 확장률 (4, 8, 16) 을 가진 확장 깊이별 분리 합성곱을 사용하여 글로벌 컨텍스트 관계와 다중 스케일 정보를 포착한 후 채널 간에 융합합니다.
• 어텐션 블록 3 (깊은 층): 글로벌 정보를 기반으로 채널별 특징을 재조정하기 위해 표준 채널 어텐션 메커니즘 (SE 블록) 을 사용합니다.

2.3. 조절 가능한 클래스 균형 포칼 손실 (ACBFL)

클래스 불균형과 쉬운 - 어려운 샘플 불균형을 해결하기 위해 저자들은 두 가지 전략을 결합한 ACBFL 을 제안합니다:

• 조절 가능한 포칼 손실 (AFL): 조절 가능한 매개변수 $\beta$를 조절 인자 $(1 - \beta p)^\gamma$에 도입하여 표준 포칼 손실을 수정합니다. 이를 통해 손실 함수는 작업에 따라 교차 엔트로피와 원래 포칼 손실 사이에서 변할 수 있습니다.
• 조절 가능한 클래스 균형 (ACB): 클래스 가중치에 조절 가능한 매개변수 $q$를 도입합니다. 가중치는 클래스 $y$의 샘플 수인 $m_y$에 대해 $(1/m_y)^q$에 비례합니다. $q=0$일 때는 균형 조정이 없으며, $q=1$일 때는 가중치가 클래스 빈도에 반비례합니다.
• 결합된 공식: 최종 손실 함수는 두 가지 조정을 통합하여 다양한 데이터셋의 다양한 불균형 정도에 적응할 수 있는 유연성을 제공합니다.

3. 주요 기여

이 논문은 다음과 같은 구체적인 기여를 주장합니다:

1. 새로운 특징 추출: VMD 와 3/2 차원 스펙트럼을 기반으로 한 2 차원 DEMON 스펙트럼 특징 추출 및 융합 방법으로, 변조 포락선 정보를 효과적으로 포착하고 잡음을 억제합니다.
2. MMATT 아키텍처: 다양한 네트워크 깊이에서 서로 다른 어텐션 모듈을 활용하는 1 차원 CNN 과 다단계 다유형 어텐션 메커니즘을 통합한 인식 네트워크.
3. 새로운 어텐션 메커니즘: 두 가지 구체적인 메커니즘 제안:
   • R-CISAM: 얕은 층에서 채널 독립적인 스펙트럼 가중치를 위해.
   • MS-SFSAM: 중간 층에서 다중 스케일 특징 향상을 위해.
4. ACBFL: 긴 꼬리 데이터 분포의 부정적인 영향을 완화하면서도 유연한 적응성을 제공하는 조절 가능한 클래스 균형 포칼 손실.
5. 실증적 검증: 제안된 구성 요소의 효과를 입증하는 실세계 ShipsEar 데이터셋에 대한 포괄적인 실험.

4. 실험 결과

실험은 5 교차 검증을 사용하여 ShipsEar 데이터셋 (11 개 선박 클래스 + 자연 잡음) 에서 수행되었습니다. 제안된 전체 모델 (VMD-Fusion-CNN-MMATT-ImFL) 은 베이스라인 및 제거 변형 모델과 비교되었습니다.

• 특징 추출: 제안된 VMD-Fusion-CNN은 전체 정확도 (OA) 89.50%, F1 점수 84.90%, 평균 정확도 (AA) **82.58%**를 달성했습니다. 이는 기존 DEMON 접근 방식 (Trad-CNN: 73.21% OA) 과 대역 통과 필터링 접근 방식 (Filter-CNN: 85.07% OA) 보다 현저히 우수합니다.
• 모델 성능: 전체 모델은 91.68% OA, 90.04% F1 점수, 89.87% AA를 달성했습니다.
  • 베이스라인 (Trad-CNN) 과 비교할 때, OA 는 18.47%, F1 점수는 26.25%, AA 는 **29.49%**만큼 향상되었습니다.
  • 개선된 특징과 네트워크만 사용한 모델 (VMD-Fusion-CNN-MMATT-CE) 과 비교할 때, ACBFL(ImFL) 의 추가는 성능을 더욱 향상시켜 클래스 불균형 처리에서의 유효성을 확인시켰습니다.
• 제거 연구:
  • 세 가지 어텐션 블록 (R-CISAM, MS-SFSAM, 또는 SE) 중 하나를 제거하면 성능이 저하되어 다단계 다유형 설계의 필요성을 확인시켰습니다.
  • 어텐션 블록의 순서를 바꾸어도 성능이 감소하여, 특정 어텐션 유형이 특정 네트워크 깊이에 가장 적합함을 검증했습니다 (얕은 층의 지역 세부 사항, 중간 층의 다중 스케일 컨텍스트, 깊은 층의 채널 재조정).
  • 다중 스케일 접근 방식 (확장률 4, 8, 16 사용) 은 단일 확장률을 사용하는 모델보다 우수했습니다.
• 손실 함수 분석: ACBFL 에서 조절 가능한 매개변수 ($\beta$ 및 $q$) 를 가진 모델은 고정된 매개변수 (0 또는 1) 를 가진 모델보다 우수하여 제안된 유연성의 가치를 입증했습니다.

5. 중요성 및 주장

저자들은 자신의 작업이 특징 표현, 네트워크 아키텍처, 데이터 불균형을 동시에 해결함으로써 수중 음향 표적 인식의 도전에 대한 포괄적인 솔루션을 제공한다고 주장합니다.

• 특징 견고성: VMD 와 3/2 차원 스펙트럼의 결합은 선박 소음의 비균일한 변조를 효과적으로 처리하며, 기존 방법보다 변조 정보에 대한 더 정확하고 견고한 표현을 제공합니다.
• 아키텍처 혁신: MMATT 프레임워크는 다양한 네트워크 깊이에서 다양한 어텐션 메커니즘을 적용하는 것이 단일 유형 또는 단일 위치 어텐션 메커니즘보다 우수한 성능을 산출함을 보여줍니다.
• 실용적 적용성: ACBFL 은 복잡한 리샘플링 기법 없이 실세계 음향 데이터셋의 고유한 클래스 불균형을 처리할 수 있는 유연한 도구를 제공하여, 데이터 분포가 변하는 실제 배포에 더 적합하게 만듭니다.
• 성능: ShipsEar 데이터셋에 대한 실험 결과는 제안된 프레임워크가 기존 최첨단 방법들에 비해 인식 정확도, 견고성, 그리고 소수 클래스 (테일 클래스) 인식 능력을 크게 향상시킨다는 것을 검증합니다.