公开(公告)号：CN114565828A

公开(公告)日：2022-05-31

申请号：CN202210170623.8

申请日：2022-02-24

Applicant: 哈尔滨工程大学

Inventor： 王兴梅 ,  刘洋涛 ,  米佳琛 ,  田兆楠 ,  孙润泽

IPC: G06V20/05 ,  G06V10/46 ,  G06V10/764 ,  G06V10/82 ,  G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明属于水下目标识别技术领域，具体涉及一种基于声嵌入记忆空间编码器模型的特征对抗增强水下目标识别方法。本发明通过构建自监督SAE模型，完成从FBank特征到GBank特征的空间转换重构，学习具有良好声纹特性和抗噪鲁棒性的SAE Spec特征；通过基于AEMU模块的负样本挖掘策略，使用动态队列字典对负样本进行动态更新存储，提高了负样本学习的效率；利用改进的CE Loss函数将AEMU模块与SAE模型结合，构建AEMU‑SAE模型，使特征转换重构和特征负样本学习统一在AEMU‑SAE模型中，保证AEMU‑SAE模型能够在特征对抗增强过程中学习到包含高级语义信息的ASAE Spec特征，将ASAE Spec特征分别作为MLP模型和MLR模型的输入，通过多分类目标识别模型对识别任务进行处理，最终完成水下目标识别。

公开(公告)号：CN114565828B

公开(公告)日：2024-12-13

申请号：CN202210170623.8

申请日：2022-02-24

Applicant: 哈尔滨工程大学

Inventor： 王兴梅 ,  刘洋涛 ,  米佳琛 ,  田兆楠 ,  孙润泽

IPC: G06V20/05 ,  G06V10/46 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/0895

Abstract: 本发明属于水下目标识别技术领域，具体涉及一种基于声嵌入记忆空间编码器模型的特征对抗增强水下目标识别方法。本发明通过构建自监督SAE模型，完成从FBank特征到GBank特征的空间转换重构，学习具有良好声纹特性和抗噪鲁棒性的SAE Spec特征；通过基于AEMU模块的负样本挖掘策略，使用动态队列字典对负样本进行动态更新存储，提高了负样本学习的效率；利用改进的CE Loss函数将AEMU模块与SAE模型结合，构建AEMU‑SAE模型，使特征转换重构和特征负样本学习统一在AEMU‑SAE模型中，保证AEMU‑SAE模型能够在特征对抗增强过程中学习到包含高级语义信息的ASAE Spec特征，将ASAE Spec特征分别作为MLP模型和MLR模型的输入，通过多分类目标识别模型对识别任务进行处理，最终完成水下目标识别。

公开(公告)号：CN118395182A

公开(公告)日：2024-07-26

申请号：CN202410502843.5

申请日：2024-04-25

Applicant: 哈尔滨工程大学

Inventor： 王兴梅 ,  田兆楠 ,  徐悦竹 ,  文培煜 ,  吴沛然 ,  李博权

IPC: G06F18/214 ,  G06F18/15 ,  G06F18/2431 ,  G06F18/25 ,  G06N3/048 ,  G06N3/0499 ,  G06N3/084

Abstract: 本发明提供一种基于异质特征跨域关联的多模态识别方法及系统，方法包括以下步骤：获取原始数据，构建多模态数据集，并进行预处理；基于预处理后的多模态数据集，构建异质特征跨域关联模型，并基于异质特征跨域关联模型对预处理后的多模态数据集进行多模态情感识别，获得跨模态特征；基于三层堆叠的注意力机制、全连接层以及归一化指数函数，构建标签模态解码模块，并基于交叉熵损失、最终跨模态特征以及模态标签，训练标签模态解码模块；基于训练好的标签模态解码模块，对跨模态特征进行分类，获得多标签情感预测标签，完成基于异质特征跨域关联的多模态识别。本发明在识别精度、任务适应性和抗噪鲁棒性上有较好的表现，具有一定的有效性。