This paper introduces a feature extraction technique that identifies highly informative features from sonar magnitude spectra for automated target classification. The approach involves creating feature representations through convolution of a two-dimensional Gabor wavelet and acoustic color magnitudes to capture elastic waves. This feature representation contains extracted localized features in the form of Gabor stripes, which are representative of unique targets and are invariant of target aspect angle. Further processing removes non-informative features through a threshold-based culling. This paper presents an approach that begins connecting model-based domain knowledge with machine learning techniques to allow interpretation of the extracted features while simultaneously enabling robust target classification. The relative performance of three supervised machine learning classifiers, specifically a support vector machine, random forest, and feed-forward neural network are used to quantitatively demonstrate the representations' informationally rich extracted features. Classifiers are trained and tested with acoustic color spectrograms and features extracted using the algorithm, interpreted as stripes, from two public domain field datasets. An increase in classification performance is generally seen, with the largest being a 47% increase from the random forest tree trained on the 1–31 kHz PondEx10 data, suggesting relatively small datasets can achieve high classification accuracy if model-cognizant feature extraction is utilized.

中文翻译：

---

使用二维Gabor小波特征的声纳目标表示

本文介绍了一种特征提取技术，该技术可从声纳幅度谱中识别出高度信息量的特征，以实现自动目标分类。该方法涉及通过对二维Gabor小波和声学颜色幅度进行卷积来创建特征表示，以捕获弹性波。此特征表示包含以Gabor条纹形式提取的局部特征，这些特征代表唯一的目标，并且目标纵横比不变。进一步的处理通过基于阈值的剔除除去非信息性特征。本文提出了一种方法，该方法开始将基于模型的领域知识与机器学习技术联系起来，以允许对提取的特征进行解释，同时实现强大的目标分类。使用三个监督的机器学习分类器（特别是支持向量机，随机森林和前馈神经网络）的相对性能来定量地表示表示形式的信息丰富的提取特征。使用声学彩色声谱图对分类器进行训练和测试，并使用该算法从两个公共领域数据集中提取的特征（解释为条纹）提取特征。通常可以看到分类性能的提高，最大的是对使用1–31 kHz PondEx10数据训练的随机森林树提高了47％，这表明如果使用模型识别特征提取，则相对较小的数据集可以实现较高的分类精度。和前馈神经网络用于定量演示表示的信息丰富的提取特征。使用声学彩色声谱图对分类器进行训练和测试，并使用该算法从两个公共领域数据集中提取的特征（解释为条纹）提取特征。通常可以看到分类性能的提高，最大的是对使用1–31 kHz PondEx10数据训练的随机森林树提高了47％，这表明如果使用模型识别特征提取，则相对较小的数据集可以实现较高的分类精度。和前馈神经网络用于定量演示表示的信息丰富的提取特征。使用声学彩色声谱图对分类器进行训练和测试，并使用该算法从两个公共领域数据集中提取的特征（解释为条纹）提取特征。通常可以看到分类性能的提高，最大的是对使用1–31 kHz PondEx10数据训练的随机森林树提高了47％，这表明如果使用模型识别特征提取，则相对较小的数据集可以实现较高的分类精度。来自两个公共领域的数据集。通常可以看到分类性能的提高，最大的是对使用1–31 kHz PondEx10数据训练的随机森林树提高了47％，这表明如果使用模型识别特征提取，则相对较小的数据集可以实现较高的分类精度。来自两个公共领域的数据集。通常可以看到分类性能的提高，最大的是对使用1–31 kHz PondEx10数据训练的随机森林树提高了47％，这表明如果使用模型识别特征提取，则相对较小的数据集可以实现较高的分类精度。