文献

J-GLOBAL ID：202202218092482805   整理番号：22A0203786

高密度畳込みニューラルネットワークに基づく水中音響ターゲット分類【JST・京大機械翻訳】

Underwater Acoustic Target Classification Based on Dense Convolutional Neural Network

著者 (3件)： Doan Van-Sang (ICT Convergence Research Center, Kumoh National Institute of Technology, Gumi, South Korea) ,  Huynh-The Thien (ICT Convergence Research Center, Kumoh National Institute of Technology, Gumi, South Korea) ,  Kim Dong-Seong (ICT Convergence Research Center, Kumoh National Institute of Technology, Gumi, South Korea)
資料名： IEEE Geoscience and Remote Sensing Letters  (IEEE Geoscience and Remote Sensing Letters)
巻： 19  ページ： ROMBUNNO.1500905.1-5  発行年： 2022年 
JST資料番号： W1397A  ISSN： 1545-598X  CODEN： IGRSBY  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 海洋リモートセンシング操作において,水中音響ターゲット認識は,特に複雑な音波伝搬特性の条件において,ソナーシステムの困難で非常に重要なタスクである。大きいデータ解析のための高価な学習認識モデルは,通常,ほとんどの伝統的機械学習(ML)アルゴリズムのための障害であり,一方,一種の深いニューラルネットワークである畳込みニューラルネットワーク(CNN)は,正確な分類のための特徴を自動的に抽出することができた。本研究では,水中ターゲット認識のための高密度CNNモデルを用いた手法を提案した。ネットワークアーキテクチャは,低い計算コストを満足しながら,様々な障害条件の下で分類速度を最適化するために,すべての以前の特徴マップを cl重に再利用するように設計されている。さらに,時間-周波数スペクトログラム画像を使用する代わりに,提案した方式は,ネットワーク入力データとして時間領域において元のオーディオ信号を直接利用することを可能にした。受動ソナーの実世界データセットに関して評価した実験結果に基づき,著者らの分類モデルは,0dB信号対ノイズ比(SNR)で98.85%の総合精度を達成して,他の最先端のCNNモデルと同様に従来のML技術より優れている。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： SN比 ,  アルゴリズム ,  最適化 ,  ソナー ,  学習 ,  *ネットワーク ,  *ニューラルネットワーク ,  海洋 ,  物体認識 ,  音声信号 ,  リモートセンシング ,  機械学習 ,  ネットワークアーキテクチャ
準シソーラス用語： スペクトログラム ,  *畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (4件)： 畳込みニューラルネットワーク ,  水中音響 ,  ターゲット ,  分類