混合增强多尺度对比自监督学习用于水下声学目标识别

《Pattern Recognition》：Hybrid Augmented multi-scale contrastive self-supervised learning for underwater acoustic target recognition

　　

• •
  水声信号特征表现出较高的类内多样性和类间相似性。
• •
  多尺度对比学习改善了少标签条件下的声学识别。
• •
  混合数据增强模拟了真实水下环境失真。
• •
  信号分解将目标特征与噪声干扰分离。
• •
  辅助预测任务增强了对环境变化的鲁棒性。

引言

水下声目标识别（UATR）作为海洋监测的基础任务，旨在通过接收和分析声学信号来检测和识别水下目标 [1]。它在国防安全、海底目标定位与识别以及海岸线监视等领域得到广泛应用 [2]、[3]。近年来，基于深度学习的方法因其强大的表征能力和判别性特征学习能力，在UATR中展现出显著优势，提高了识别准确率 [4]、[5]、[6]。然而，在现实场景中获取大规模标注数据仍然困难，限制了现有模型的持续可靠性和泛化能力 [7]、[8]。此外，水下信号易受各种干扰影响，如海洋环境噪声、多径效应和信号衰减等 [9]，导致采集到的信号具有复杂成分和特征，包括非线性和非平稳性。这些复杂性进一步增加了UATR的难度。因此，开发减少对人工标注依赖同时有效应对水下声学信号复杂性的方法，已成为解决这些挑战的关键。

为缓解标注水下声学数据稀缺带来的限制，一些研究 [10]、[11]、[12] 采用预训练范式，从大规模视觉和音频数据集（如ImageNet [13] 和AudioSet [14]）中学习可迁移的表示先验。预训练模型随后通过有限标注样本微调来适应水下声学信号。通过利用跨模态和跨任务知识迁移，这种策略增强了特征表示和结构归纳偏差，使其在低标签条件下表现出稳健性能。然而，由于源域和目标域之间存在数据分布、特征结构和信号固有非平稳性差异，直接从其他域迁移的模型在下游水下声学识别任务中往往效果有限 [15]。

为解决这一问题，先前研究 [16] 探索了UATR的自监督学习。如图1所示，这些方法通过构建代理任务，使模型能够捕捉时频域中的潜在结构和跨类别依赖关系。因此，即使仅使用有限标注数据进行微调，学习到的表示也能显著提升下游识别性能。尽管自监督学习在低标签识别方面取得了令人鼓舞的进展，但直接将现有范式迁移到水下声目标识别（UATR）仍然不够。关键难点在于水下声学信号不仅受目标身份影响，还受到复杂的海洋传播效应、环境干扰和时间失真的影响，这些因素共同导致了类内显著变化，同时不同目标类别之间仍保持较强的频谱相似性，如图2所示。在这种情况下，简单地强制增强视图之间的不变性可能不够：如果将所有视图差异不加区分地压缩成单一不变表示，扰动引起的变化可能与目标判别信息纠缠在一起，从而削弱下游识别的表示质量。此外，现有的面向UATR的自监督方法通常强调频谱图级别视图的全局一致性或基于局部分解的建模，很少解决如何在多个时频尺度上同时保留目标相关内容并明确考虑环境引起的扰动的问题。

基于这些观察，我们提出了面向有限标签条件下UATR的多尺度自监督混合增强框架（MSHA）。MSHA基于这样的认识：水下声学表示学习应同时保留目标相关内容并考虑环境引起的扰动，而不仅仅学习增强不变嵌入。具体来说，MSHA在统一的自监督目标中结合三个协调组件：(i) 一种物理驱动的混合增强策略，合成水下传播中常见的扰动模式，提供超越通用音频增强的结构化视图多样性；(ii) 一种多尺度对比学习机制，联合利用基于Mel频谱图的全局结构和VMD派生的本征模态表示，使粗略的目标特征和细粒度的振荡动力学能够协调学习；(iii) 一种基于原始视图和增强视图之间残差特征差异的增强预测路径，鼓励显式建模扰动相关变化，而不是将其隐式吸收进单一嵌入空间。通过这种方式，MSHA是一个旨在同时增强对环境变异性的表示鲁棒性并保持目标判别信息用于低标签UATR的统一框架。

本工作的主要贡献总结如下：

• •
  我们提出了MSHA，一种面向水下声目标识别的扰动感知多尺度自监督框架。与主要追求增强不变性的现有方法不同，MSHA在统一优化框架中联合学习目标判别内容和环境引起的扰动表示。
• •
  我们开发了一种基于互补全局和局部信号表示的宏微对比学习策略。通过结合Mel频谱图和VMD派生的本征模态函数，MSHA捕获全局频谱结构和细粒度振荡动力学，实现稳健的表示学习。
• •
  我们引入了一种混合增强预测策略，以显式表征扰动引起的特征变化。所提出的残差预测分支通过建模增强相关变化来补充对比学习，从而提高了低标签水下声目标识别的鲁棒性和可迁移性。

章节摘要

水下声目标识别

水下声目标识别是海洋探索中的基本任务，旨在从主动和被动声学信号中检测和识别水下目标 [4]、[6]。关键挑战在于从复杂的海洋噪声中提取判别性声学特征，并建立这些特征与目标属性之间的可靠映射以实现准确分类。近年来，信号处理和深度学习的进展进一步推动了相关研究。

方法论

如图3所示，所提出的多尺度混合增强框架（MSHA）是一个统一的自监督学习框架，旨在联合学习目标判别内容并建模水下声学信号中扰动引起的变化。给定输入信号 $X$，我们首先通过物理驱动的混合增强模块（第3.1节）生成增强视图 $X^e$，该模块模拟真实的水下传播扰动并提供结构化的扰动视图。

数据集

ShipsEar [42] 是一个船舶和船只声音的水下录音数据库。该数据库包含11种不同类型船舶的90条录音，总长度为2小时47分钟。这11个子类别可以根据船舶类型合并为5个大类。

Deepship [43] 是近年来提出的水声基准数据集。它包含从256艘船舶采集的613条录音，涵盖四个船舶类别，总时长为47小时4分钟。

由于采集条件存在显著差异。

结论

本文提出了MSHA，一种面向有限标注数据条件下水下声目标识别的自监督对比学习框架。MSHA不仅依赖统一的频谱图表示，还引入变分模态分解来构建协作的宏微对比学习框架，实现对全局频谱结构和局部信号成分的互补建模。为提高对环境引起变化的鲁棒性，一种

CRediT作者贡献声明

江山王：写作—审阅与编辑，写作—原稿撰写。洪晨罗：指导，形式分析，资金获取。光辉张：软件，方法论，数据整理。鹏成宋：写作—审阅与编辑，可视化，验证，调查。焦王：概念化，验证。英王：验证。志刚孙：验证。思博高：验证。

生成式AI和AI辅助技术在写作过程中的使用声明

在准备本工作期间，作者使用了ChatGPT以提高语言质量。使用该工具后，作者对内容进行了审阅和编辑，并对出版物的内容承担全部责任。

利益冲突声明

作者声明他们不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。

致谢

本工作得到了国家自然科学基金的支持（资助号：62502080）。

江山王|洪晨罗|光辉张|鹏成宋|焦王|英王|志刚孙|思博高