听觉启发的物理驱动多维特征融合水下船舶识别方法

《Scientific Reports》：Auditory-inspired cross-attention learning of spectral and modulation signatures for ship recognition

　　

摘要

水下船舶识别面临着声学复杂性和标注数据有限的根本挑战。本文提出了一种通过听觉启发的交叉注意力学习实现的物理驱动多维特征融合（MDFF）框架。该方法不是依赖孤立的声学特征或简单的浅层拼接，而是将生物启发的伽马波滤波与 LOFAR（结构线谱）和 DEMON（螺旋桨调制）表征相结合。设计了一种深度交叉注意力架构（MDFF-SL），旨在有效解耦机械和推进特征，将这些物理上异质的成分映射到一个紧凑且高判别力的表示空间，同时抑制小样本条件下的过拟合。基于真实海试数据的大量实验表明，MDFF-SL 达到了 92.96% 的识别准确率，且标准差极低，显著优于传统的单域和浅层融合基线。这些结果为非平稳水下环境中可靠的海事监控建立了一种高精度、计算高效的范式。