STMH-Xception：一种用于鲁棒水下声学目标识别的序列式多头残差学习方法

《Neural Networks》：STMH-Xception: Sequential Multi-Head Residual Learning for Robust Underwater Acoustic Target Recognition

　　• 提出STMH-Xception以实现鲁棒的水下声学目标识别。• 顺序多头残差学习有助于减轻联合多头优化中的头部间梯度冲突。• 将ShipEar基准任务的准确率提高到73.10%，DeepShip基准任务的准确率提高到76.14%。• 该设计对各种CNN骨架均具有提升效果。

## 引言
水下声学目标识别（UATR）（Jin等人，2023年）旨在从船舶辐射的噪声中识别船舶类别，长期以来一直被视为海上态势感知、安全相关操作和海洋资源监控的关键能力（Dong等人，2021年）。与受控制的陆地音频处理相比，在水下环境中识别目标面临独特且严峻的挑战。水下声学通道的特点是严重的多路径效应、频率依赖的衰减以及复杂非平稳的海洋背景噪声（Gao, Liang, Dong, Luo, Suganthan, 2025b; Wang, Wu, Li, Zhan, Liu, Liu, 2024年）。这些因素导致声学信号高度时变且失真。早期的识别系统主要依赖于手工制作的声学特征与传统的机器学习算法相结合（Hummel等人，2024年）。尽管结合了丰富的专家领域知识，但这些方法在应用于复杂的真实世界连续数据时往往显示出次优的泛化能力。

随着传感平台和公共数据集的日益普及（Irfan, Jiangbin, Ali, Iqbal, Masood, Hamid, 2021年; Santos-Domínguez, Torres-Guijarro, Cardenal-López, Pena-Gimenez, 2016年），深度学习（DL）已经将范式从特征工程转变为数据驱动的表示学习，逐渐成为UATR的主流解决方案（JinA, Yang, Lei, Zeng, Wang, 2025年; JinG, Liu, Wu, Song, 2020年）。卷积神经网络（CNNs）（Li和Yang, 2021年）是最广泛采用的架构，因为它们的归纳偏差与水下信号的局部时频模式完美匹配。因此，许多流程首先将船舶辐射的噪声转换为二维时频表示——如梅尔频谱（Liu等人，2021年）、恒Q变换（CQT）（Xie等人，2023年）、低频分析仪和记录器（LOFAR）频谱（Chen等人，2021年）以及梅尔频率倒谱系数（MFCC）（Zhang等人，2016年）——然后使用CNN进行端到端识别（Yan等人，2023年）。尽管效果显著，但大多数基于CNN的UATR流程都是在一个多头、单目标框架下优化的，即训练一个分类器同时适应所有样本。UATR的一个基本挑战是，船舶的声学特征不仅受其类别标签的影响，还受诸如船体结构、机械和推进配置等个别因素的影响。即使是同一类别的船舶，这些属性也可能存在显著差异，而不同类别的船舶可能具有相似的推进系统，从而导致声学模式的重叠（Fang等人，2025年）。在单头框架下，深度模型经常通过过度拟合这些特定于船舶的特征来“走捷径”，而不是学习一致的、类别级别的区分模式。这导致类内变异性增加和类间可分性降低，从而在模型遇到未见过的船舶或数据分布变化时性能大幅下降。

为了减轻这些特定于船舶因素造成的方差并提高鲁棒性，集成学习被广泛研究作为一种强大的解决方案（Deng, Yang, Liu, Shi, Li, Yang, 2023年; Sheikh, Sha’ameri等人，2025年）。然而，传统的集成方法通常需要训练和存储多个独立的模型，这带来了巨大的计算和内存成本（Ye等人，2024年）。这对于资源受限的实时海洋系统（如自主水下航行器AUVs）来说尤其不理想。作为替代方案，深度监督和标准的多任务学习（MTL）试图在单个网络中整合多个分支。然而，标准MTL采用并行训练范式，其中所有辅助分支同时更新。当可用训练数据有限且可能存在偏差时，这种并行优化经常引起梯度冲突，即浅层和深层分支将共享的骨干拉向不同的方向。

UATR的复杂性进一步加剧了现实世界数据可用性的巨大变化。在受限或专门的海洋操作中，声学数据收集往往非常有限。这导致了“小数据”环境，其特征是样本稀缺和类别不平衡（Santos-Domínguez等人，2016年），这容易引起对特定于船舶的声学特征的过度拟合。相反，长期连续的海洋监测会产生大规模的声学记录（Irfan等人，2021年）。此类数据引入了明显的类内变化和持续的非平稳背景噪声，经常导致标准网络性能饱和。本研究中使用的ShipsEar和DeepShip数据集分别代表了上述数据稀缺和大规模的情况。然而，这两个基准都是为单目标船舶辐射噪声分类设计的。因此，当前的工作专注于单目标UATR，而多目标重叠场景超出了当前评估的范围。在这个范围内，一个鲁棒的UATR框架应适应这两种极端情况，需要一种机制来保留集成式误差校正的鲁棒性优势，防止梯度冲突，并保持实时部署的高效率。

为了解决这些关键要求，并在我们之前基于ResNet18的顺序多头机制探索（Yan等人，2026年）的基础上，本文提出了顺序训练的多头Xception（STMH-Xception）框架。在表示层面，我们改进了短时傅里叶变换（STFT）参数，以提取更高分辨率的梅尔频谱，以捕捉水下目标的精细、非平稳的频谱特征。在架构上，我们采用了深度可分离的Xception骨干，其可分离的卷积将空间和跨通道特征提取解耦。六个轻量级头部与主干、入口、中间和出口阶段对齐，以捕获层次化的声学表示，同时引入最小的额外开销。在顺序训练过程中，我们引入了一个动态重新计算机制，以便使用不断发展的骨干特征重新计算之前训练的头的参考logits。这种设计在共享骨干持续适应的同时，保持了持续的顺序细化。因此，所提出的STMH-Xception在实验中提高了识别性能，同时表现出稳定的优化行为和低参数及浮点运算（FLOPs）开销。本文的主要贡献总结如下：
1. 我们从基于提升的误差校正角度重新定义了UATR，并提出了STMH-Xception框架，在该框架中，根据Xception的异构主干、入口、中间和出口流的主要结构转换放置了六个轻量级辅助头部。通过将这种基于架构的顺序多头设计嵌入单个网络中，该框架促进了互补的决策制定，并在表示能力和计算效率之间取得了平衡。
2. 我们引入了STMH训练策略。通过将深度监督建模为顺序残差细化过程，它减轻了在标准联合多任务学习中常见的梯度冲突问题，并减少了网络过度拟合特定于船舶的噪声的倾向。
3. 我们提供了全面的跨尺度验证。所提出的方法在数据稀缺的ShipsEar基准任务上达到了73.10%的准确率，在大规模的DeepShip数据集上达到了76.14%的准确率，一致性地优于评估的高容量架构，包括DenseNets和Transformers。
4. 我们进行了统计显著性测试和泛化性分析，确认STMH协议在不同CNN骨架上带来了持续的性能提升。

本文的其余部分组织如下：第2节回顾了UATR和高效集成策略的相关工作。第3节介绍了所提出的STMH-Xception框架和顺序训练方法。第4节概述了实验设置，包括数据集划分和实施细节。第5节展示了全面的比较结果、视觉分析和消融研究。最后，第6节总结了本文。

## 水下声学目标识别
在过去几十年中，UATR取得了重大进展。早期的方法主要依赖于手工制作的声学特征与传统的机器学习分类器相结合。例如，Das等人（2013年）使用了具有高斯混合模型的频谱倒谱特征，而Wang和Zeng（2014年）采用了小波分析和希尔伯特-黄变换与支持向量机（SVM）的结合。然而，手动特征提取严重依赖于专家知识。

## 方法论
本节详细介绍了为Xception架构适配的STMH框架。我们首先定义了整体工作流程和对Xception骨干的具体调整。随后，我们详细阐述了多头集成策略和旨在逐步细化水下声学目标识别的基于提升的顺序训练协议。在其核心，所提出的STMH框架基于“共享骨干和冻结头部”的基本原则。

## 数据集
为了全面评估所提出的STMH-Xception框架的可扩展性和鲁棒性，我们使用了两个规模显著不同的公开水下船舶辐射噪声数据集：ShipsEar和DeepShip。
- **ShipsEar**代表了一个数据稀缺的挑战性场景。它是在2012年至2013年间沿西班牙大西洋海岸捕获的，包含90个WAV格式的记录，采样率为52,734 Hz。记录的时长从15秒到10分钟不等，总时长约为三小时。

## 对比研究
我们将提出的STMH-Xception与十一个最先进的基准进行了对比测试。这些基准包括轻量级CNN（MobileNetV3 Akbarian和Sedaaghi，2023年；ShuffleNetV2 Zhang等人，2018a）、标准高容量架构（ResNet18 Hong等人，2021年；DenseNet121 Doan等人，2020年）以及先进的专业模型（CMoE Xie等人，2024年；Transformers Feng和Zhu，2022年）。ShipsEar和DeepShip数据集的结果分别在表3中详细说明。

## 结论
本文提出了STMH-Xception以解决UATR中的数据稀缺和性能饱和问题。STMH将深度监督重新定义为顺序残差细化过程，其中辅助头部逐阶段进行优化，以纠正其前身留下的残差预测错误。通过逐步冻结和累积logit校正，STMH减少了与联合多头优化相关的头部间梯度干扰，并实施了基于提升的细化。

## CRediT作者贡献声明
- **Chenhong Yan**：写作——审阅与编辑，写作——原始草稿，可视化，验证，软件，资源，方法论，研究，资金获取，正式分析，数据 Curatorship，概念化。
- **Shefeng Yan**：项目管理，研究，资金获取。
- **Ruobin Gao**：监督，资源，项目管理，方法论，研究，资金获取，正式分析，数据 Curatorship，概念化。
- **Yang Yu**：验证，监督，软件。

## 竞争利益声明
作者声明他们没有已知的竞争财务利益或个人关系，这些关系可能会影响本文报告的工作。

## 致谢
本研究得到了中国国家自然科学基金一般项目的支持：62571448；国家自然科学基金优秀青年科学家基金（海外）：5113250157；中国国家自然科学基金：62192711。

## 著者名单
Chenhong Yan | Shefeng Yan | Ruobin Gao | Yang Yu | Guang Pan | Jinpeng Xu | Ponnuthurai N. Suganthan