Introducing the Brand New QiandaoEar22 Dataset for Specific Ship Identification Using Ship-Radiated Noise

船舶辐射噪声的目标识别是水下目标识别的关键领域。然而，目前缺乏准确代表实际水下声学条件的多目标船舶数据集。为了解决这个问题，我们发布了“千岛湖耳22”——一个水下声学多目标数据集，可以在https://ieee-dataport.org/documents/qiandaoear22上下载。该数据集包含9小时28分钟的实际船舶辐射噪声数据和21小时58分钟的背景噪声数据。我们通过识别多个目标中的特定船舶的实验来展示QiandaoEar22的可用性。采用不同的特征作为输入和六个深度学习网络作为分类器，我们评估了不同方法的基线性能。实验结果表明，从其他目标中识别UUV的特定目标可以实现97.78％的最优识别精度，我们发现使用频谱和MFCC作为特征输入以及DenseNet作为分类器可以实现更好的识别性能。我们的工作不仅为数据集建立了基准，还有助于进一步开发创新方法，用于水下声学目标检测（UATD）和水下声学目标识别（UATR）任务。

解决问题：论文旨在解决水下目标识别中缺乏多目标船舶数据集的问题，以及推动水下声学目标检测和识别的进一步发展。

关键思路：论文提出了一个水下声学多目标数据集QiandaoEar22，并使用不同特征输入和六个深度学习网络作为分类器进行实验评估。实验结果表明，使用频谱和MFCC作为特征输入，使用DenseNet作为分类器可以获得更好的识别性能。

其他亮点：QiandaoEar22数据集包括真实世界中9小时28分钟的船舶辐射噪声数据和21小时58分钟的背景噪声数据。实验结果显示，识别UUV的特定目标可以达到97.78％的最佳识别准确率。这项工作不仅为数据集建立了基准，而且有助于进一步开发创新方法来解决水下声学目标检测和识别的任务。

相关研究：最近的相关研究包括使用深度学习进行水下声学目标识别的研究，如“Underwater Acoustic Target Recognition Based on Convolutional Neural Network with Data Augmentation”和“Underwater Acoustic Target Recognition Based on Deep Convolutional Neural Network and Multi-Scale Feature Fusion”。