<p class="section-text"><b>Целью работы</b> является анализ применимости методов глубокого обучения к автоматизированной обработке и классификации гидроакустических сигналов для повышения эффективности обнаружения подводных целей, а также экспериментальная проверка одного из подходов на открытом наборе данных DeepShip с использованием архитектуры ResNet-50.</p><p class="section-text"><b>Метод исследования:</b> применение систематического обзора публикаций 2020–2025 гг., охватывающий свёрточные, рекуррентные, трансформерные модели и денойзинг-автоэнкодеры и проведении эксперимента, который включает преобразование аудиозаписей в трёхканальные спектрограммы (две низкочастотные полосы и одна высокочастотная), лог-нормализацию и масштабирование в [0,1], случайное разбиение выборки (80/20) с сохранением пропорций классов, тонкую настройку предобученной ResNet-50 при функции потерь бинарной кросс-энтропии, оптимизаторе Adam, ранней остановке и выборе лучшей модели по точности.</p><p class="section-text"><b>Результаты исследования:</b> обобщены современные подходы к анализу гидроакустических данных: свёрточные сети над спектрограммами надёжно извлекают локальные признаки и обеспечивают высокую точность классификации; рекуррентные (LSTM/GRU) улучшают учёт временной динамики и трекинг целей; трансформеры с механизмом самовнимания повышают качество при длинных зависимостях и эффективны для детекции на сонарных изображениях; денойзинг-автоэнкодеры снижают влияние нестационарных помех и повышают отношение сигнал/шум. В проведённом эксперименте ResNet-50 на трёхканальных LF/HF-спектрограммах достигла 95 % точности на валидации и 93 % тесте, что подтверждает практическую применимость подхода. Отмечены ограничения реальной эксплуатации: вариативность шумовой среды, дефицит размеченных данных и риски недостаточной интерпретируемости решений; предложены направления совершенствования – расширенные аугментации, перенос обучения.</p><p class="section-text"><b>Научная новизна</b> заключается в экспериментально подтверждённой схеме трёхканального спектрального представления для ResNet-50, задающей практические требования к точности и дальнейшей интеграции в системы подводного наблюдения.</p>
<p class="section-text"><b>Purpose of the work</b> is to analyze the applicability of deep learning methods to automated processing and classification of hydroacoustic signals to improve the efficiency of detecting underwater targets, as well as to experimentally test one of the approaches on an open DeepShip dataset using the ResNet-50 architecture.</p><p class="section-text"><b>Research method:</b> application of a systematic review of publications in 2020–2025, covering convolution, recurrent, transformer models and denoised autoencoders, and conducting an experiment that includes the transformation of audio recordings into three-channel spectrograms (two low-frequency bands and one high-frequency), log-normalization and scaling to [0,1], random sample splitting (80/20) while maintaining class proportions, fine-tuning of the pre-trained ResNet-50 at the binary cross-entropy loss, Adam optimizer, early stop and selection of the best model for accuracy.</p><p class="section-text"><b>Results of the study:</b> modern approaches to the analysis of hydroacoustic data are summarized: convolutional networks over spectrograms reliably extract local features and provide high classification accuracy; recurrent networks (LSTM/GRU) improve time dynamics accounting and target tracking; transformers with a self-attention mechanism improve quality with long dependencies and are effective for detection on sonar images; denoising autoencoders reduce the influence of non-stationary interference and increase the signal-to-noise ratio. In the ResNet-50 experiment on three-channel LF/HF spectrograms, it achieved 95 % accuracy in validation and 93 % in the test, which confirms the practical applicability of the approach. The limitations of real operation are noted: variability of the noise environment, lack of labeled data and risks of insufficient interpretability of decisions; Directions for improvement are proposed, such as extended augmentations, transfer of training.</p><p class="section-text"><b>The scientific novelty</b> lies in the experimentally confirmed scheme of three-channel spectral representation for ResNet-50, which sets practical requirements for accuracy and further integration into underwater surveillance systems.</p>