随着海洋监测技术的不断发展，水下声学目标识别（Underwater Acoustic Target Recognition, UATR）在海洋安全、生态监测和资源探测等领域发挥着越来越重要的作用。然而，在复杂的低信噪比（SNR）环境下，传统识别方法的准确性和稳定性常常大幅下降。现有深度学习方法虽然取得了一定进展，但在低信噪比条件下对水下信号关键时频特征的提取能力仍然有限。针对这一难题，中国科学院声学研究所东海研究站硕士研究生邓淑文及其导师洪峰副研究员提出了一种基于差分注意力机制的水下声学目标识别新方法——UATR-DIFF-Transformer。

UATR-DIFF-Transformer 模型结合了差分注意力机制与多项式损失优化，突破了传统 Transformer 在低信噪比环境下性能衰减的瓶颈。差分注意力机制通过对比两组独立的注意力图，强化了目标信号的特征响应，并有效抑制噪声干扰，使模型能够在复杂声学环境中更准确地区分目标信号。同时，引入的多项式损失函数优化了类别间的决策边界，进一步提升了识别精度。

在Shipsear和DeepShip 两个公开数据集上的实验结果表明，UATR-DIFF-Transformer 在低信噪比环境下表现显著优于传统 Transformer 模型。在 Shipsear 数据集上，分类准确率达到90.26%，比标准 Transformer 提高了2.59%；在 DeepShip 数据集上，准确率高达97.84%，提升了1.72%。特别是在极低信噪比条件下，该方法展现出更强的抗噪能力，准确率下降幅度远小于其他模型。此外，UATR-DIFF-Transformer 在计算效率方面也具有优势：与标准 Transformer 相比，参数量减少49.7%，计算量减少69.0%，执行时间缩短74 s，展现出在资源受限应用场景中的潜在价值。

相关研究成果在线发表于Q1区国际知名学术期刊Ocean Engineering。

本研究得到上海市自然科学基金（22ZR1475700）、汉江国家实验室开放基金项目（KF2024031）、中国科学院青年创新促进会（2021022）、上海分院青年人才培养计划的资助。

图1 UATR-DIFF-Transformer 网络结构示意图（图/中国科学院声学研究所东海研究站）

图2 差分注意力机制（图/中国科学院声学研究所东海研究站）

图3 计算效率比较（图/中国科学院声学研究所东海研究站）

图4 低SNR条件下模型的准确率变化（图/中国科学院声学研究所东海研究站）

关键词：水下声学目标识别；低信噪比；差分注意力机制；深度学习；多项式损失优化

参考文献：Deng, S., Hong, F. UATR-DIFF-Transformer: Underwater acoustic target recognition via difference attention mechanism. Ocean Engineering, 122668 (2025). DOI: 10.1016/j.oceaneng.2025.122668

论文链接：https://doi.org/10.1016/j.oceaneng.2025.122668