计算机科学与工程学院影像科学与技术系水声信号与图像处理项目组针对海洋工程实际问题，利用声呐接收水听器设备和声呐成像设备，分别开展了针对宽带信号的相干信号源定位（或分离）研究以及基于深度学习的声呐图像的研究。

   在声呐信号的源定位（或分离）方面，从高分辨阵列处理的先验知识出发，主要以发射信号的频谱信息、接收信号的二阶或高阶累积量及时间－空间平滑等技术，在频域进行了多维宽带主动阵列处理算法及其应用技术研究并实现。同时从压缩感知以及相关快速估计算法出发，降低算法的时、空间代价，提高适用性和实时性。相关通过仿真实验、水箱实验及不同海域海试实验分别入手定量评估其分辨率、对海洋环境噪声及多途相干的鲁棒性，以分析项目组研究工作相对于传统方法以及目前主流方法的贡献。

图1 海洋深海及浅海信号传播形式

a)                                                                                                                              b)             

图2 a)海洋声信号理论分离效果图 b）海洋声源定位理论效果图

在声呐图像处理方面，组内研究方向主要为基于深度学习的声呐图像目标检测及分割。声呐图像目标检测作为水下作业的关键任务，具有极高的应用价值。但现有的深度学习目标检测方法未考虑声呐图像自身的物理特性及缺陷，面临着两大问题：其一是声呐图像质量受噪声干扰严重，但目标检测模型缺乏噪声鲁棒性；其二是可获取的声呐图像数据稀少，且不同环境条件下获取的声呐图像物理特征具有较大差异。课题组基于声呐图像的特点，结合数据增强、主动学习、强化学习等方法，分析声呐图像的噪声形成方式及成像过程，改进现有检测模型、设计针对于声呐图像的检测新模型。针对声呐图像标注昂贵的问题，课题组深入研究了主动学习，为声呐图像及检测、分割等任务设计更有效的样本查询标注策略。

图3 主动学习基本流程

图4 声呐图像目标检测示例