基于在线可调性的自动声纳处理的地形特征化：从在水雷 - 探测中应用 ATR 到侧扫声纳的经验教训
内容提要
本文介绍了海洋技术的最新进展，包括基于深度学习的自动目标识别、三维重建和水下声学识别方法。这些技术通过自主水下载具和先进算法，提高了海底数据获取的准确性和效率，推动了海洋科学的发展。
延伸解读
从水雷探测到侧扫声纳：ATR 技术的迁移与挑战
文章梳理了自动目标识别（ATR）在合成孔径雷达（SAR）和水下声学中的进展。基于贝叶斯神经网络的方法能识别超过80%的敌对SAR图像，误报率低于20%，并可视化解释敌对散射体。这些经验可迁移至侧扫声纳，但水下声学环境更复杂，需解决噪声、混响和可变性等挑战。
自主水下航行器与三维重建：提升海底数据获取效率
自主水下航行器（AUV）结合实时稠密三维重建方法，如使用SVIn2 VIO和重建管道，在四个挑战性数据集上获得与COLMAP相当的结果，并在单CPU上实现高帧率。这改变了海底数据获取方式，提高了准确性和效率，为海洋科学提供了新工具。
深度学习模型在声纳ATR中的性能权衡
对五种先进深度学习模型的评估显示，图神经网络在推理吞吐量和延迟上表现更优，但没有模型在所有指标上占绝对优势。这提示在声纳ATR应用中，需根据具体任务需求（如实时性、资源限制）选择模型，而非追求单一最优解。
水下声学识别的新范式：多模态对比学习
UART方法采用音频-频谱图-文本三模态对比学习，通过自然语言描述引导声学表征学习，具有更好的识别能力和泛化性能。预训练模型无需辅助注释即可提供先验知识，为水下声学识别提供了新思路，但实际部署仍需考虑数据域差异和计算成本。
Q&A
自动目标识别系统的识别率和误报率是多少？
该系统的识别率超过80%，误报率低于20%。
DeepAAT深度学习网络的主要功能是什么？
DeepAAT专为无人机图像的自动航空三角测量设计，提高了效率和精确度。
自主水下航行器如何改变海底数据获取方式？
自主水下航行器的创新提高了海底数据获取的准确率和效率，改变了数据获取方式。
全贝叶斯雷达自动目标识别框架的优势是什么？
该框架显著提高了分类准确性，优于其他融合方法。
水下声学识别方法UART的特点是什么？
UART采用音频-频谱图-文本三模态对比度学习框架，具有更好的识别能力和泛化性能。
实时稠密三维重建方法的性能如何？
该方法在四个具有挑战性的水下数据集上获得了可比拟COLMAP的重建结果，并在单CPU上实现高帧率。
