[논문 리뷰] An Features Extraction and Recognition Method for Underwater Acoustic Target Based on ATCNN

Gang Hu, Kejun Wang외 1명|arXiv (Cornell University)|2020. 11. 29.

Blind Source Separation Techniques참고 문헌 44인용 수 7

한 줄 요약

이 논문은 청각 인지 기반 특징 추출과 시간 확장 컨볼루션 네트워크를 통합한 새로운 딥러닝 모델인 ATCNN을 제안한다. 선박에서 방출되는 소음 신호를 주파수 성분으로 분해하기 위해 깊이 분리형 컨볼루션을 활용하고, 장거리 맥락 모델링을 위해 확장형 컨볼루션을 적용함으로써 ATCNN은 90.9%의 분류 정확도를 달성하여 기존 방법들을 능가한다.

ABSTRACT

Facing the complex marine environment, it is extremely challenging to conduct underwater acoustic target recognition (UATR) using ship-radiated noise. Inspired by neural mechanism of auditory perception, this paper provides a new deep neural network trained by original underwater acoustic signals with depthwise separable convolution (DWS) and time-dilated convolution neural network, named auditory perception inspired time-dilated convolution neural network (ATCNN), and then implements detection and classification for underwater acoustic signals. The proposed ATCNN model consists of learnable features extractor and integration layer inspired by auditory perception, and time-dilated convolution inspired by language model. This paper decomposes original time-domain ship-radiated noise signals into different frequency components with depthwise separable convolution filter, and then extracts signal features based on auditory perception. The deep features are integrated on integration layer. The time-dilated convolution is used for long-term contextual modeling. As a result, like language model, intra-class and inter-class information can be fully used for UATR. For UATR task, the classification accuracy reaches 90.9%, which is the highest in contrast experiment. Experimental results show that ATCNN has great potential to improve the performance of UATR classification.

연구 동기 및 목표

• 복잡한 해양 환경에서 선박에서 방출되는 소음 신호를 이용해 수중 음향 목표를 인식하는 데 도전하는 것.
• 사람의 청각 인지 메커니즘을 모방하여 원시 음향 신호에서 개선된 특징 추출을 위한 딥러닝 모델을 개발하는 것.
• 자연어 처리에서 영감을 받은 확장형 컨볼루션 네트워크를 통합하여 UATR에서 장기 맥락 모델링을 향상시키는 것.
• 통합된 학습 가능한 특징 추출과 맥락 모델링을 통해 기존 방법을 초월한 분류 정확도 향상을 이루는 것.
• 실제 수중 음향 신호 데이터를 기반으로 제안된 ATCNN 모델의 효과성을 검증하는 것.

제안 방법

• ATCNN 모델은 깊이 분리형 컨볼루션(DWS)을 활용하여 원시 시간 도메인의 선박에서 방출되는 소음 신호를 국소화된 특징 학습을 위한 고유한 주파수 성분으로 분해한다.
• 청각 인지 메커니즘을 모방한 학습 가능한 특징 추출기가 주파수 성분을 처리하여 청각적으로 관련성이 있는 특징을 추출한다.
• 통합 레이어는 추출된 특징을 결합하여 통합된 표현을 형성하며, 청각 시스템의 통합을 모방한다.
• 시간 확장 컨볼루션을 적용하여 장기적인 시간적 의존성을 모델링함으로써 언어 모델과 유사한 맥락 모델링을 가능하게 한다.
• 수정된 특징 공학 없이 원시 수중 음향 신호에 대해 엔드 투 엔드로 네트워크를 훈련시킨다.
• DWS는 계산 효율성을, 확장형 컨볼루션은 음향 신호에서 효과적인 장거리 시퀀스 모델링을 위해 아키텍처에 통합된다.

실험 결과

연구 질문

• RQ1 청각 인지 기반의 딥 네트워크가 원시 수중 음향 신호에서 특징 추출을 향상시킬 수 있는가?
• RQ2 시간 확장 컨볼루션은 수중 음향 신호의 장기적 의존성을 목표 인식에 효과적으로 모델링할 수 있는가?
• RQ3 청각 기반 특징 추출과 확장형 컨볼루션을 통합하면 기존 방법보다 수중 목표 인식의 분류 정확도가 향상되는가?
• RQ4 제안된 ATCNN 모델은 저 SNR의 복잡한 해양 음향 환경에서도 잘 일반화되는가?
• RQ5 표준 UATR 벤치마크에서 ATCNN 모델의 분류 정확도 성능 한계는 무엇인가?

주요 결과

• ATCNN 모델은 UATR 작업에서 90.9%의 분류 정확도를 달성하였으며, 실험에서 비교된 방법들 중에서 가장 높은 성능을 보였다.
• 청각 인지 기반 특징 추출과 시간 확장 컨볼루션의 통합은 특징 표현 학습을 크게 향상시켰다.
• 깊이 분리형 컨볼루션은 높은 특징 무결성을 유지하면서도 주파수 성분의 효율적인 분해를 가능하게 하였다.
• 시간 확장 컨볼루션은 장거리 시간적 의존성을 효과적으로 모델링하여 복잡한 신호 패tern의 인식을 향상시켰다.
• 추가적인 데이터 증강이나 사전 처리 없이도 제안된 방법이 베이스라인 모델을 능가하였다.
• 결과는 ATCNN이 실제 해양 조건에서 강력한 수중 음향 목표 인식을 위한 유망한 프레임워크임을 보여주었다.