ONCship 发布 4521 小时水下声学船舶识别数据集
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载数据集构成与来源
ONCship 的原始素材来自 Ocean Networks Canada 布设的水听器录音，并配套 Automatic Identification System 数据。整理后的语料总时长为 4521 小时，论文将其定位为大规模水下声学数据集。作者在摘要中说明，推出该数据集的直接动因是现有公开数据集规模普遍偏小，难以支撑大规模表示学习，也不便于对下游任务做充分评测。除音频本身外，数据集还带有较丰富的船舶级元数据，这一点被作者视为支撑后续逐船识别研究的基础。论文提交时间为 2026 年 10 月 14 日，编号 arXiv:2610.19722，归入声学、人工智能与信号处理等分类。
三项评测任务
论文围绕 ONCship 设计了三类评测。第一类是自监督表示学习，用来检验该语料能否学到可迁移的声学表征。第二类是常规的船型分类，即判断目标属于哪一类船舶。第三类是 MMSI 级船舶分类，作者把每一艘船当作一个独立身份来处理，这比船型分类更细，要求模型区分同一类型下的不同个体。作者在摘要中把第三类任务描述为对逐船识别可行性的验证，并强调数据集中的船舶级元数据让这类探索成为可能。
实验结果与数字
在 DeepShip 与 ShipsEar 两个数据集上，作者报告了 ONCship 用于声学表示学习的效果。其中一项设置是把 ONCship 与 AudioSet 联合预训练，再通过线性探测在 DeepShip 上评测，分类准确率为 62.45%。另一项发现是把 ONCship 作为辅助训练数据加入后，下游船型分类表现得到提升。在 MMSI 级船舶分类任务上，采用不同损失函数微调的模型取得 Top-1 准确率超过 53%、Top-5 准确率接近 69% 的结果。作者据此认为，通过 MMSI 级分类区分单艘船舶是可行的，同时把 ONCship 总结为水下声学表示学习与船舶识别的可用资源。
为什么值得看
公开数据集体量从小时级扩到数千小时，并首次系统评测逐船身份识别，做水下声学与音频表示学习的团队可直接复用。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。