Resumo Técnico: Aprimoramento da Funcionalidade de Modulação com uma Rede de Atenção Multi-Etapas para Reconhecimento de Alvos Acústicos Submarinos

1. Declaração do Problema

O reconhecimento de alvos acústicos submarinos (UATR) é um componente crítico das aplicações marítimas, mas enfrenta desafios significativos devido à natureza complexa e diversa do ruído irradiado por embarcações e à escassez de dados do mundo real. As principais dificuldades incluem:

• Características Complexas do Sinal: O ruído irradiado por embarcações consiste em componentes mecânicos, de hélice e hidrodinâmicos. O ruído da hélice contém características de modulação cruciais (frequência do eixo, número de pás), mas estas exibem intensidades de modulação variáveis em diferentes faixas de frequência. A análise convencional de Demodulação de Envelope no Ruído (DEMON) de banda completa frequentemente introduz erros devido a essa não uniformidade.
• Representação Insuficiente de Características: Os métodos existentes frequentemente dependem de segmentação uniforme de faixas de frequência ou mecanismos de atenção de etapa única que falham em capturar as características distintas das características em diferentes profundidades da rede. Além disso, mecanismos de atenção padrão (como Atenção Espacial no CBAM) assumem posições espaciais consistentes de informações-chave em todos os canais, o que é inadequado para características espectrais DEMON, onde a informação-chave é distribuída de forma diferente entre os canais.
• Desequilíbrio de Dados: Conjuntos de dados do mundo real sofrem de desequilíbrio severo de classes (distribuição de cauda longa) e desequilíbrio de amostras "difíceis-fáceis" devido a condições operacionais e ambientes variados. Funções de perda padrão frequentemente levam a modelos que superajustam classes principais e subajustam classes de cauda.

2. Metodologia

Os autores propõem um framework robusto de aprendizado profundo composto por três componentes principais: um esquema novel de extração e fusão de características, uma Rede de Atenção Multi-Etapas Multi-Tipo (MMATT) e uma Perda Focal Balanceada por Classe Ajustável (ACBFL).

2.1. Extração e Fusão de Características

Para gerar características espectrais DEMON 2-D de alta fidelidade, os autores combinam a Decomposição em Modos Variacionais (VMD) e o espectro 3/2-D:

• Decomposição VMD: Em vez de filtragem de banda passante uniforme, o sinal é adaptativamente decomposto em Funções de Modo Intrínseco (IMFs) usando VMD. Isso aborda as características de modulação não uniformes do ruído de embarcações.
• Espectro 3/2-D: Para cada IMF, o espectro 3/2-D é calculado. Esta estatística de ordem superior suprime ruído gaussiano aditivo e elimina componentes harmônicos não acoplados em fase, preservando informações de fase cruciais para a análise DEMON.
• Estratégia de Fusão: A característica 2-D final é formada pela fusão do espectro de amplitude e do espectro 3/2-D ao quadrado. Especificamente, o produto do espectro 3/2-D ao quadrado e o espectro de amplitude é adicionado ao espectro de amplitude. Isso realça informações de frequência-chave enquanto retém dados espectrais detalhados.

2.2. Rede de Atenção Multi-Etapas Multi-Tipo (MMATT)

O modelo de reconhecimento utiliza uma Rede Neural Convolucional 1-D (CNN) integrada com um Mecanismo de Atenção Multi-Etapas Multi-Tipo. Diferentemente de trabalhos anteriores que aplicam um único tipo de atenção, a MMATT coloca módulos de atenção distintos em diferentes profundidades da rede para se adaptar às representações de características em evolução:

• Bloco de Atenção 1 (Camada rasa): Emprega o Mecanismo de Atenção Espectral Independente de Canal Residual (R-CISAM). Este módulo usa convolução profunda para aplicar pesos de atenção espectral distintos a cada canal (componente IMF) independentemente, evitando interferência causada pelo agrupamento entre canais. Inclui uma conexão residual para preservar características originais.
• Bloco de Atenção 2 (Camada intermediária): Emprega o Mecanismo de Atenção Espectral Multi-Escala de Separação e Fusão (MS-SFSAM). Este módulo usa convoluções separáveis profundas dilatadas com múltiplas taxas de dilatação (4, 8, 16) para capturar relacionamentos contextuais globais e informações multi-escala, que são então fundidas entre canais.
• Bloco de Atenção 3 (Camada profunda): Emprega um Mecanismo de Atenção de Canal padrão (Bloco SE) para recalibrar características por canal com base em informações globais.

2.3. Perda Focal Balanceada por Classe Ajustável (ACBFL)

Para abordar o desequilíbrio de classes e o desequilíbrio de amostras difíceis-fáceis, os autores propõem a ACBFL, que combina duas estratégias:

• Perda Focal Ajustável (AFL): Modifica a perda focal padrão introduzindo um parâmetro ajustável $\beta$ ao fator de modulação $(1 - \beta p)^\gamma$. Isso permite que a função de perda varie entre entropia cruzada e perda focal original dependendo da tarefa.
• Balanceada por Classe Ajustável (ACB): Introduz um parâmetro ajustável $q$ aos pesos de classe. Os pesos são proporcionais a $(1/m_y)^q$, onde $m_y$ é o número de amostras na classe $y$. Quando $q=0$, nenhum balanceamento ocorre; quando $q=1$, os pesos são inversamente proporcionais às frequências das classes.
• Formulação Combinada: A função de perda final integra ambas as ajustes, permitindo flexibilidade para se adaptar a diferentes graus de desequilíbrio em diferentes conjuntos de dados.

3. Contribuições Principais

O artigo reivindica as seguintes contribuições específicas:

1. Extração de Características Novel: Um método de extração e fusão de características espectrais DEMON 2-D baseado em VMD e no espectro 3/2-D, que captura efetivamente informações de envelope de modulação e suprime ruído.
2. Arquitetura MMATT: Uma rede de reconhecimento integrando uma CNN 1-D com um Mecanismo de Atenção Multi-Etapas Multi-Tipo que utiliza diferentes módulos de atenção em diferentes profundidades da rede.
3. Novos Mecanismos de Atenção: A proposta de dois mecanismos específicos:
   • R-CISAM: Para ponderação espectral independente de canal em camadas rasas.
   • MS-SFSAM: Para aprimoramento de características multi-escala em camadas intermediárias.
4. ACBFL: Uma Perda Focal Balanceada por Classe Ajustável que alivia os efeitos negativos da distribuição de dados de cauda longa enquanto oferece adaptabilidade flexível.
5. Validação Empírica: Experimentos abrangentes no conjunto de dados ShipsEar do mundo real demonstrando a eficácia dos componentes propostos.

4. Resultados Experimentais

Os experimentos foram conduzidos no conjunto de dados ShipsEar (11 classes de embarcações + ruído natural) usando validação cruzada de 5 dobras. O modelo completo proposto (VMD-Fusion-CNN-MMATT-ImFL) foi comparado contra baselines e variantes ablatadas.

• Extração de Características: O proposto VMD-Fusion-CNN alcançou uma Precisão Geral (OA) de 89,50%, F1-score de 84,90% e Precisão Média (AA) de 82,58%. Isso superou significativamente a abordagem DEMON tradicional (Trad-CNN: 73,21% OA) e a abordagem filtrada por banda passante (Filter-CNN: 85,07% OA).
• Desempenho do Modelo: O modelo completo alcançou 91,68% OA, 90,04% F1-score e 89,87% AA.
  • Comparado à baseline (Trad-CNN), isso representa melhorias de 18,47% em OA, 26,25% em F1-score e 29,49% em AA.
  • Comparado ao modelo usando apenas características e rede aprimoradas (VMD-Fusion-CNN-MMATT-CE), a adição da ACBFL (ImFL) melhorou ainda mais o desempenho, confirmando sua eficácia no tratamento do desequilíbrio de classes.
• Estudos de Ablação:
  • Remover qualquer um dos três blocos de atenção (R-CISAM, MS-SFSAM ou SE) resultou em degradação de desempenho, confirmando a necessidade do design multi-etapas e multi-tipo.
  • Trocar a ordem dos blocos de atenção também reduziu o desempenho, validando que tipos específicos de atenção são mais adequados para profundidades específicas da rede (detalhes locais em camadas rasas, contexto multi-escala em camadas intermediárias, recalibração de canal em camadas profundas).
  • A abordagem multi-escala (usando taxas de dilatação 4, 8, 16) superou modelos usando taxas de dilatação únicas.
• Análise da Função de Perda: Modelos com parâmetros ajustáveis ($\beta$ e $q$) na ACBFL superaram aqueles com parâmetros fixos (0 ou 1), demonstrando o valor da flexibilidade proposta.

5. Significado e Reivindicações

Os autores afirmam que seu trabalho fornece uma solução abrangente para os desafios do reconhecimento de alvos acústicos submarinos ao abordar representação de características, arquitetura de rede e desequilíbrio de dados simultaneamente.

• Robustez de Características: A combinação de VMD e espectro 3/2-D fornece uma representação mais precisa e robusta de informações de modulação do que métodos tradicionais, lidando efetivamente com a modulação não uniforme do ruído de embarcações.
• Inovação Arquitetural: O framework MMATT demonstra que aplicar mecanismos de atenção diversos em diferentes profundidades da rede produz desempenho superior comparado a mecanismos de atenção de tipo único ou posição única.
• Aplicabilidade Prática: A ACBFL oferece uma ferramenta flexível para lidar com o desequilíbrio de classes inerente em conjuntos de dados acústicos do mundo real sem exigir técnicas complexas de reamostragem, tornando o modelo mais adequado para implantação prática onde as distribuições de dados variam.
• Desempenho: Os resultados experimentais no conjunto de dados ShipsEar validam que o framework proposto aprimora significativamente a precisão de reconhecimento, robustez e a capacidade de reconhecer classes minoritárias (classes de cauda) em comparação com métodos existentes de última geração.