| # 水下目标识别与定位模型库 | |
| - [English](README.md) | |
| - [中文](README-zh.md) | |
| ## 项目概述 | |
| 本仓库包含一系列用于水下目标识别与定位的深度学习模型，包括专为水下声学场景设计的MCL/MEG系列网络，以及迁移自计算机视觉领域的通用识别模型。这些模型基于声纹识别技术，实现对水下目标的分类与定位，可应用于海洋监测、水下安防等领域。 | |
| ## 模型说明 | |
| ### 1. 专用网络系列（识别+定位） | |
| | 模型名称 | 描述 | 输入特征 | 功能 | | |
| |---------|------|---------|------| | |
| | MCL | 基础网络，无混合专家模型 | GFCC/STFT | 识别+定位 | | |
| | MEG | 在MCL基础上加入混合专家模型 | GFCC/STFT | 识别+定位 | | |
| | MEG_BLC | MEG变体，加入负载均衡机制 | GFCC/STFT | 识别+定位 | | |
| | MEG_MIX | MEG变体，多特征混合输入 | 多种特征融合 | 识别+定位 | | |
| ### 2. 通用CV网络（仅识别） | |
| 迁移自计算机视觉领域的经典模型，适配水下声纹识别任务： | |
| - DenseNet121 | |
| - MobileNetV2 | |
| - ResNet18 | |
| - ResNet50 | |
| - Swin-Transformer | |
| ## 性能指标 | |
| | Network | ACC(%) | MAE-R (km) | MAE-D (m) | | |
| |---------|--------|------------|-----------| | |
| | MEG (STFT) | 95.93 | **0.2011** | **20.61** | | |
| | MCL (STFT) | **96.07** | 0.2565 | 27.68 | | |
| | MEG(GFCC) | 95.75 | **0.1707** | **19.43** | | |
| | MCL(GFCC) | **96.10** | 0.3384 | 35.42 | | |
| | densenet121 | 86.61 | - | - | | |
| | resnet18 | 84.99 | - | - | | |
| | mobilenetv2 | 83.60 | - | - | | |
| | resnet50 | 76.34 | - | - | | |
| | swin-transformer | 63.08 | - | - | | |
| *注：ACC为识别准确率，MAE-R为距离定位平均绝对误差，MAE-D为深度定位平均绝对误差* | |
| ## 使用方法 | |
| ### 1. 模型下载 | |
| 可从Hugging Face Hub 或者 魔搭社区 下载各模型权重文件，通过以下链接获取完整项目代码： | |
| - Gitee: <mcurl name="UWTRL-MEG" url="https://gitee.com/open-ocean/UWTRL-MEG"></mcurl> | |
| - GitHub: <mcurl name="UWTRL-MEG" url="https://github.com/Perry44001/UWTRL-MEG"></mcurl> | |
| ### 2. 模型使用 | |
| 使用超参数--resume指定权重文件所在文件夹即可，默认加载model.pth | |
| ```c | |
| python train_mtl.py --features stft --task_type mtl --resume './models/meg(stft)' | |
| ``` | |
| ### 3. 输入输出 | |
| - 输入：声学特征（GFCC/STFT等） | |
| - 输出：目标类别、距离估计、深度估计 | |
| 详细输入输出格式及训练/推理代码请参考项目仓库文档。 | |
| ## 引用信息 | |
| 相关研究论文正在审查中，预计2025年9月发表于MDPI《Remote Sensing》期刊。如使用本项目模型，请引用以下论文（发表后更新）： | |
| ``` | |
| @article{uwtrl2025, | |
| title={Multi-Task Mixture-of-Experts Model for Underwater Target Localization and Recognition}, | |
| author={Peng Qian, Jingyi Wang, Yining Liu, Yingxuan Chen, Pengjiu Wang, Yanfa Deng, Peng Xiao* and Zhenglin Li}, | |
| journal={Remote Sensing}, | |
| year={2025}, | |
| publisher={MDPI} | |
| } | |
| ``` | |
| ## 联系方式 | |
| 如有问题或合作意向，请联系：[[email protected]] | |
| --- | |
| *本项目仅供学术研究使用，商业用途请联系作者获取授权。* | |