Metrikinlärning och avvikelsedetektion för passiv sonar

Passiva sonarsystem används för att upptäcka, lokalisera och klassificera fartyg. Det finns ett stort intresse att kunna automatisera klassificeringen, som ett komplement till den manuella klassificering som görs av sonaroperatörer. De senaste åren har det skett en snabb utveckling inom djupinlärning, vilket kan vara användbart för dessa tillämpningar. Djupinlärningsmetoder kräver ofta stora mängder träningsdata. I praktiken kan tillgången till data för intressanta mål vara liten eller obefintlig. Det är därför intressant att undersöka så kallade few shot-metoder som kan lära sig att känna igen nya ljudkällor med små mängder data, och metoder som kan avgöra om ett ljud avviker från normalbilden. I båda fallen krävs en stor mängd träningsdata, där data dock inte nödvändigtvis behöver komma från intressanta mål. I det här arbetet har ett stort dataset tagits fram, med drygt 250 timmar enkelhydrofoninspelningar för 794 unika fartygsindivider. Datasetet har använts för att utvärdera metoder för metrikinlärning och avvikelsedetektion. Metrikinlärning är en metod för few-shot-klassificering och som också är användbar som ett förbehandlingssteg för avvikelsedetektion. Ett flertal nätverksarkitekturer och avvikelsedetektionsalgoritmer har testats. Resultaten visar att flera av metoderna är lovande.