宽带声纳散射数据中物体分类的深度学习方法，66页pdf，加拿大国防研究与发展部

在过去的十年中，人们根据水下物体对入射宽带声纳脉冲的反应对其进行分类产生了很大兴趣。高频声纳可以提供海底物体的图像，但这些图像中的信息通常与物体的尺寸和外部纹理有关，而不是其内部。因此，例如未爆弹药（UXO）和非未爆弹药，如果它们的外部特征相似，其反应可能非常相似。较低的频率可以探测内部反应，并渗透到海床以下。测量一个物体在广泛的频率范围内的散射特性，包括较低的频率，可以加强物体的分类。本科学报告研究了深度学习技术与TREX13试验的实验声学颜色和时间序列数据的使用。开发了二类、多类和扩展多类分类模型，以区分未爆弹药和非未爆弹药物体。表现最好的二元分类模型学会了准确区分未爆弹药和非未爆弹药类别。多类分类模型学会了预测单个物体类别，如榴弹炮炮弹和轮胎。扩展的多类分类模型表明，即使是训练集中没有包括的物体类别也能从特征编码中准确分类。这些结果表明，部署这种基于深度学习的分类器可能是非常有利的，因为它们可以自动识别宽频声纳散射数据中的物体。

对国防和安全的意义

海军声纳系统对水下环境进行探测，并收集数据，从这些数据中可以对海底的未爆弹药（UXO）等物体进行探测、定位和分类。自动目标识别系统是减少操作员工作量和提高探测性能的潜在有价值的工具，但需要低误报率和高准确率才能发挥其优势。本报告表明，深度神经网络模型可以在实验性宽带声纳散射数据集中对各种未爆弹药和非未爆弹药物体进行准确分类。

图1：概念图说明了用各种CNN分类器进行宽带散射数据分析的流程。

数据集

TREX13宽频SAS散射实验的目的是探索从浅层环境的声纳回波中探测和分类骄傲的和埋藏的军事弹药。该数据集包括11个独特的未爆弹药复制品和16个独特的非未爆弹药物体的宽带SAS散射数据。这些物体被放置在墨西哥湾的一个沙质底部，从10到40米的水平距离上进行声纳。声纳发射了一个6毫秒的线性频率调制信号，跨度为3至30千赫，前缘和后缘之间有10%的锥度。背向散射回波由一个6个水听器元件的线性阵列收集。

TREX13数据集包括为每个被测物体准备的矩阵（频谱振幅作为频率和相对于物体的角度的函数）--这些是声色模板。对形成这些模板所使用的处理方法的详尽描述可以在[11]中找到。此外，还有类似准备好的时间序列/方面模板。这些模板是通过使用接收数据并考虑到声纳发射和接收水平而构建的。同样，来自物体的重叠旋转的数据被 "混合 "以形成一个复合模板。本报告中使用的就是这种数据。在[10]中，每个部分的数据都被归一化，以消除回波的整体水平的影响。在本报告中，目标强度数据只是按照提供的数据使用。

表1和表2概述了将物体分为真实数据训练集和真实数据测试集的情况。水平线表示非未爆弹药和未爆弹药物体之间的划分。应该注意的是，尽管大多数模板是针对凸起的物体，但也有一些部分掩埋的情况。这些表格显示，一些个别物体的数据比其他物体的数据多（见模板数量一栏）。一般来说，未爆弹药数据比非未爆弹药数据多。然而，非未爆弹药数据子集比未爆弹药数据子集包括更多的单个物体类型。