Machine and deep learning approaches to localization and range estimation of underwater acoustic sources
Visualitza/Obre
08349716.pdf (2,940Mb) (Accés restringit)
Sol·licita una còpia a l'autor
Què és aquest botó?
Aquest botó permet demanar una còpia d'un document restringit a l'autor. Es mostra quan:
- Disposem del correu electrònic de l'autor
- El document té una mida inferior a 20 Mb
- Es tracta d'un document d'accés restringit per decisió de l'autor o d'un document d'accés restringit per política de l'editorial
10.1109/RIOAcoustics.2017.8349716
Inclou dades d'ús des de 2022
Cita com:
hdl:2117/118230
Tipus de documentComunicació de congrés
Data publicació2017
EditorInstitute of Electrical and Electronics Engineers (IEEE)
Condicions d'accésAccés restringit per política de l'editorial
Tots els drets reservats. Aquesta obra està protegida pels drets de propietat intel·lectual i
industrial corresponents. Sense perjudici de les exempcions legals existents, queda prohibida la seva
reproducció, distribució, comunicació pública o transformació sense l'autorització del titular dels drets
ProjecteTECNOLOGIAS DE APRENDIZAJE PROFUNDO APLICADAS AL PROCESADO DE VOZ Y AUDIO (MINECO-TEC2015-69266-P)
Abstract
This paper introduces ongoing experiments and early results for the underwater localization and range estimation of acoustic sources. Beyond classical results obtained for direction of arrival estimation, results concerning range estimation using supervised learning with neural networks having both shallow and deep architectures are presented. The developed method is applicable in the context of a single sensor, a compact array, or a small aperture towed array and provided results with great potential both for industrial impact and for the conservation and density estimation of cetaceans. With an average error of 4.3% and 3.5%-respectively for a shallow and for a deep pre-trained architecture-for ranges up to 8 kilometers and consistently below 300 meters, the system provides robust estimates suitable for an automated real-time solution.
CitacióHouegnigan, L., Safari, P., Nadeu, C., Andre, M., Van Der Schaar, M. Machine and deep learning approaches to localization and range estimation of underwater acoustic sources. A: Acoustics in Underwater Geosciences Symposium. "2017 IEEE/OES Acoustics in Underwater Geosciences Symposium (RIO Acoustics 2017): Rio de Janeiro, Brazil: 25-27 July 2017". Institute of Electrical and Electronics Engineers (IEEE), 2017, p. 1-6.
ISBN978-1-5090-5011-6
Versió de l'editorhttps://ieeexplore.ieee.org/document/8349716/
Col·leccions
- LAB - Laboratori d'Aplicacions Bioacústiques - Ponències/Comunicacions de congressos [46]
- Centre Tecnològic de Vilanova i la Geltrú - Ponències/Comunicacions de congressos [61]
- VEU - Grup de Tractament de la Parla - Ponències/Comunicacions de congressos [437]
- Departament de Teoria del Senyal i Comunicacions - Ponències/Comunicacions de congressos [3.332]
Fitxers | Descripció | Mida | Format | Visualitza |
---|---|---|---|---|
08349716.pdf | 2,940Mb | Accés restringit |