自监督学习在合成孔径声呐目标识别中的应用之论文阅读

原创

已于 2025-06-29 11:27:04 修改 · 782 阅读

16 ·

CC 4.0 BY-SA版权

文章标签：

#学习 #论文阅读

于 2025-06-19 20:35:15 首次发布

自监督学习在合成孔径声呐目标识别中的应用
BW Sheffield
美国巴拿马城海军水面作战中心

1 引言
在自主水下航行器（AUVs）中应用计算机视觉面临着独特的挑战，因为海洋环境往往条件不可预测且极为严苛。传统计算机视觉研究主要依赖光学相机成像，而在光照不足、悬浮沉积物及水体浑浊的水下环境中难以适用。因此，声呐成像，尤其是其衍生技术——合成孔径声呐（SAS），成为水下成像的首选。搭载SAS的AUV能够扫描海底生成高分辨率图像，其细节表现远超其他类型的声呐。然而，SAS图像虽然细节丰富，但数据量巨大，给标注工作带来了极大挑战，而标注又是训练深度神经网络（DNN）不可或缺的一步。

与传统机器学习方法相比，DNN因其能够自主从数据中学习特征而受到广泛关注，无需专家手工设计特征。然而，DNN的显著限制在于其对大规模标注数据和强大计算资源的依赖。在SAS领域，不仅标注数据稀缺，且获取难度远高于传统相机图像。

近年来，随着计算能力和数据量的增长，自监督学习（SSL）逐渐兴起。SSL无需标签即可让模型从数据中学习特征，因而为解决SAS数据标注不足问题提供了潜在途径。本研究旨在评估两种主流SSL算法——MoCov2 [1] 和 BYOL [2]，与经典监督学习模型ResNet18 [3]在二分类SAS图像识别任务上的表现（如图1所示）。SSL模型在真实世界SAS数据上进行预训练，以学习有用特征，并与监督学习基准进行对比。
在这里插入图片描述

2 相关工作

近年来，自监督学习（SSL）在许多领域迅速发展，尤其是在遥感领域 [4–14]。尽管 SSL 在各个领域的应用已取得显著进展，但在合成孔径声呐（SAS）上的研究仍相对缺乏。
2022 年，Preciado‑Grijalva 等人 [15] 在前视声呐（FLS）应用中验证了 SSL 的潜力，表明在少样本迁移学习设置下，SSL 预训练可实现与监督预训练相当的分类性能。在无监督和半监督学习领域，也