Resumo Técnico: Arquitetura de Dual-Encoder com Eficiência de Parâmetros e Fusão por Integral de Choquet Diferenciável para Classificação Acústica Subaquática

Declaração do Problema

A classificação acústica subaquática é crítica para aplicações que variam desde a segurança marítima até a conservação ambiental. No entanto, o ambiente acústico é caracterizado por distorções estocásticas, incluindo interferência de multicaminho, atenuação dependente da frequência e ruído ambiente. Métodos tradicionais baseados em características manuais (ex: LOFAR, DEMON) lutam para manter a robustez sob essas condições variáveis. Embora o aprendizado profundo tenha automatizado a extração de características, abordagens de representação única enfrentam limitações inerentes:

• Espectrogramas: Modelam bem as dependências harmônicas, mas podem filtrar características acústicas relevantes durante a transformação tempo-frequência.
• Formas de Onda (Waveforms): Preservam a dinâmica fina de fase e eventos de banda larga (ex: cavitação), mas são frequentemente ruidosas e complexas, tornando-as difíceis de serem processadas diretamente por modelos.

Além disso, a implantação de modelos de fundação de grande escala para estas tarefas é computacionalmente dispendiosa e propensa ao sobreajuste (overfitting) devido à disponibilidade limitada de dados acústicos subaquáticos rotulados. O ajuste fino (fine-tuning) completo destes modelos é muitas vezes impraticável.

Metodologia

O artigo propõe uma arquitetura neural de dual-encoder com eficiência de parâmetros que processa simultaneamente formas de onda acústicas brutas e espectrogramas log-mel. O framework consiste em três componentes primários:

1. Backbone de Dual-Encoder com PEFT

O sistema utiliza dois ramos paralelos:

• Codificador de Forma de Onda (Waveform Encoder): Inicializado com a arquitetura AVES-nonbio (Animal Vocalization Encoder based on Self-Supervision), selecionada pela sua adequação a assinaturas mecânicas de navios não biológicos.
• Codificador de Espectrograma (Spectrogram Encoder): Inicializado com o Audio Spectrogram Transformer (AST), pré-treinado no AudioSet e ImageNet.

Para permitir a adaptação de domínio sem o ajuste fino total, os parâmetros do backbone pré-treinado são congelados. Em vez disso, módulos de Ajuste Fino de Parâmetros Eficientes (PEFT) são injetados. O estudo avalia duas estratégias específicas de PEFT:

• Adaptação de Baixo Rank (LoRA): Testada com ranks de consulta $r \in \{16, 32\}$.
• Ajuste de Parâmetros Baseado em Histograma (HPT): Testado com contagens de bins de histograma $b \in \{16, 32, 64\}$.

Cada codificador mantém conjuntos distintos e independentes de parâmetros de ajuste fino compartilhados entre suas camadas internas, regularizando o processo de adaptação.

2. Fusão por Integral de Choquet Diferenciável

Um novo mecanismo de fusão ao nível de decisão é introduzido para combinar as saídas dos dois ramos. Ao contrário dos métodos de fusão estáticos (ex: média), esta abordagem utiliza a integral de Choquet para modelar interações não aditivas (redundância ou sinergia) entre as representações de forma de onda e espectrograma.

Para tornar a integral de Choquet diferenciável para treinamento de ponta a ponta, os autores propõem um mecanismo de portão (gating) de soft-sort:

• Medidas fuzzy aprendíveis ($g_w$ e $g_s$) são otimizadas por classe para quantificar a contribuição independente e a significância de cada representação.
• Um vetor de portão soft-sort ($s$) é computado usando uma função sigmoide para rotear condicionalmente as predições com base na confiança relativa dos ramos de forma de onda ($p_w$) e espectrograma ($p_s$).
• A distribuição fundida é calculada como uma aproximação contínua da integral de Choquet, permitindo que a rede desvie dinamicamente a atenção para a representação menos corrompida pelas distorções ambientais.

3. Estratégia de Otimização

O modelo é treinado usando uma função de perda multiobjetivo composta ($L_{total}$):
$$L_{total} = \frac{1}{4} \left( 2 \cdot CE(p_{fused}, y) + CE(p_w, y) + CE(p_s, y) \right)$$
onde $CE$ é a perda de entropia cruzada (cross-entropy). A predição fundida é ponderada duas vezes mais fortemente do que as perdas individuais de cada ramo para priorizar a tomada de decisão colaborativa, garantindo ao mesmo tempo que cada codificador aprenda características discriminativas.

Principais Resultados

O framework proposto foi avaliado nos conjuntos de dados DeepShip (4 classes) e ShipsEar (5 classes + ruído).

• Desempenho vs. Encoders Únicos: A arquitetura de dual-encoder superou consistentemente as linhas de base de encoders únicos independentes (tanto apenas forma de onda quanto apenas espectrograma) em todas as estratégias de ajuste.
• Eficiência de PEFT:
  • Modelos de dual-encoder usando PEFT (LoRA e HPT) alcançaram precisões comparáveis, e em alguns casos superiores, aos modelos de estado da arte de encoder único totalmente ajustados (ex: ResNet-50, ConvNeXtV2, SSAST).
  • Especificamente, os frameworks Dual LoRA e Dual HPT otimizaram aproximadamente 100 mil parâmetros, mas superaram a maioria das redes de encoder único com ajuste fino total que exigiam significativamente mais parâmetros treináveis (ex: ~85k–90k para encoders únicos, ~175k para dual full fine-tuning).
  • No dataset DeepShip, o Dual LoRA (r=16) alcançou 71,6% de precisão, superando o AST totalmente ajustado (72,3%) e o AVES (67,9%) quando se considera a redução massiva de parâmetros treináveis.
• Interpretabilidade: A análise das medidas fuzzy aprendidas revelou mudanças de dependência específicas por classe. Por exemplo, na classe "Tanker" do DeepShip sob probing linear, a rede atribuiu um peso maior à forma de onda (0,22) do que ao espectrograma (0,18), enquanto para "Cargo", favoreceu fortemente o espectrograma. Isso confirma a capacidade do modelo de selecionar dinamicamente a representação ideal para assinaturas acústicas específicas.
• Robustez: A abordagem de dual-encoder mostrou desempenho superior em regiões de baixa falsa alarme (pAUC0.30), particularmente no dataset ShipsEar, onde o método Dual HPT superou estatisticamente a abordagem de ajuste fino total de modo único.
• Alinhamento Representacional: A análise de Alinhamento de Kernel Centrado (CKA) indicou que, embora as camadas iniciais permanecessem estáveis, as camadas mais profundas divergiram mais da linha de base de ajuste fino total. O ramo de forma de onda exibiu menor similaridade com a linha de base do que o ramo de espectrograma, sugerindo que este é um gargalo primário que requer ajuste de maior capacidade.

Significância e Alegações

O artigo alega apresentar um framework computacionalmente eficiente para o reconhecimento acústico marítimo avançado que equilibra desempenho com restrições de recursos. Suas principais contribuições são:

1. Sinergia de Dupla Representação: Demonstrar que a fusão de dados temporais (forma de onda) e espectrais (espectrograma) produz maior precisão do que qualquer uma das modalidades isoladamente, mitigando efetivamente os desafios não estacionários do canal subaquático.
2. Eficiência de Parâmetros: Provar que módulos PEFT (LoRA e HPT) podem adaptar grandes modelos de fundação para domínios subaquáticos com uma fração dos parâmetros treináveis, mitigando os riscos de sobreajuste em conjuntos de dados limitados.
3. Fusão Diferenciável: Introduzir uma nova camada de integral de Choquet diferenciável que não apenas melhora a precisão, mas também fornece interpretabilidade. Ao analisar as medidas fuzzy aprendidas, o sistema revela como a rede altera dinamicamente a dependência entre as representações com base nas características acústicas específicas da classe e nas distorções ambientais.
4. Vantagem Operacional: O mecanismo de portão dinâmico permite que o sistema priorize a representação menos corrompida pelo ruído ambiental local (ex: mudando para formas de onda quando os tons espectrais estão mascarados), oferecendo uma solução robusta para implantação no mundo real.

Os autores concluem que este framework estabelece um caminho viável para o reconhecimento acústico subaquático de alto desempenho sem os custos computacionais proibitivos do ajuste fino total da rede. Trabalhos futuros são propostos para investigar a eficiência de hardware e métodos de quantização para os backbones integrados com PEFT.