只看标签会看错位置：用空间监督把分类依据拉回事件 footprint

英文题目：CAM-GUIDED MULTILABEL DEEP LEARNING FOR SPATIOTEMPORAL EVENT LOCALIZATION IN DISTRIBUTED ACOUSTIC SENSING OF WATER PIPELINES

会议身份：conference:eusipco:2026:conference-paper-id:0000696

✅ 来源为官方会议 PDF；表格与 Figure 按原文证据绑定。PDF 公式以原页区域图片展示，未冒称作者原始 TeX。

会议来源：官方记录 · 官方 PDF

标签：#CNN #多任务学习 #可解释性 #联合声音事件检测定位

评分：5.4/10 | 创新 1.2/2 | 技术严谨 1.0/1.5 | 实验充分 0.8/1.5 | 清晰度 0.7/1 | 影响力 0.7/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.7/1.5

排名：后50% | 文档类型：应用研究

👥 作者与机构

• Cabrera Sánchez, Jorge：机构信息未能从会议 PDF 纯文本可靠映射
• Salces Ortiz, David：机构信息未能从会议 PDF 纯文本可靠映射
• Sanz Latorre, Javier：机构信息未能从会议 PDF 纯文本可靠映射
• Romero Cortés, Luis：机构信息未能从会议 PDF 纯文本可靠映射
• Colomer, Adrian：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

埋地供水管网分布式声学传感需从连续距离—时间相位信号同时判定多类事件是否出现并标定其时空足迹，难点在于仅用图像级标签训练的卷积网络易借助背景相关获得高分类分，而激活区偏离真实扰动位置。方法先按短时窗计算相位时域标准差生成256×512距离—时间伪彩图，再以水平拉长卷积核与各向异性下采样改造VGG16与ResNet34以适配各向异性事件结构。接着从末层卷积以Grad-CAM++计算类激活图并上采样归一化，用像素级二元交叉熵将其与二值掩膜对齐，再与多标签二元交叉熵分类损失加权联合训练，推理时直接由类激活图输出热图而无需分割解码器。与仅用图像级标签的方法相比，关键机制差异在于强制分类依据的特征激活与物理扰动足迹重合，从而将注意力从偶然相关转向真实事件区并保留可解释定位。在实测埋地管道测试集下，HK ResNet34L的mAP@0.5为0.462 ± 0.042，高于HK ResNet34LBCE的mAP@0.5 0.000 ± 0.000。该结论适用边界仅限同一场地、同一水力与埋设条件的五类实测事件，跨管材、跨土质与长期漂移等外推尚未验证。训练硬件为NVIDIA RTX 4070 Super GPU并采用批量32与早停等设置，原文未报告推理开销与部署延迟，空间权重取值的完整敏感性受限。

🔗 开源与复现资源

• 第三方资源：https://www.artikode.com/es/pixnormous/ — 链接可访问（HTTP 200） 可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

🧭 深度解读

供水管网漏损监测为什么需要连续定位？

输入是本次解读的对象：1 篇研究埋地供水管道分布式声传感事件检测与定位的论文。目标读者是刚进入语音、音乐、音频方向的研究生，需要能核对实验条件并复述方法流程。必须保留的信息包括数据如何从相位变成时距图、网络做了哪些各向异性改造、联合损失如何组织、划分与训练配置是什么、在什么指标下得到什么数字。本文输出是 1 篇按学习依赖展开的技术解读，不做超出原文的推广断言。

供水管网的背景是漏损比例高且埋地管道难以巡检。论文引言指出全球超过 4 分之一的处理水在输配环节流失，部分地区超过 30%。泄漏、机械撞击、未经授权的操作、覆土施工都可能造成运行低效和结构损伤。传统手段如压力分析、流量平衡、声学记录仪有价值，但在大范围埋地系统上缺少空间分辨率、连续时间覆盖和可扩展部署能力。

分布式声传感的白话含义是把一根普通光纤变成沿线密集的麦克风阵列。 interrogator 沿光纤不断询问背向散射相位，相位变化反映管道附近的应变与振动。论文的监测段是九百米光纤，米级空间采样，连续覆盖数公里成为可能。好处是能捕捉局促而短暂的事件，代价是数据量极大且对安装条件、管材、埋深、周围土壤、水力状态高度敏感，相似物理事件的记录形态会有明显漂移。

这就引出本论文的任务界定：不是只做整图有没有泄漏的二分类，而是做多标签分类加时空定位。一张 5 秒左右的时距图里可能同时有多种事件，模型要同时回答每一类是否出现，并给出每一类在距离和时间上的大致区域。定位之所以重要，是因为维修队伍需要知道去哪里挖、看哪一段。只给标签不给位置，在工程上无法闭环。

同类方法走过哪几条路线，各自缺了什么？

先按同输入、同目标、同监督来对照，才能看清本文的位置。第一条路线是局部声学传感器加深度学习。早期工作在频谱、 wavelet 或语谱图特征上训练卷积网络、自编码器或卷积加长短时记忆混合结构，论文引用多项工作说明它们在判别性能上超过传统信号处理。但这类方法通常是单标签分类，不显式建模沿管道的时空定位，也没有利用分布式光纤的距离轴结构。

第二条路线是增强频率建模与利用无标注数据。例子是频率感知的 Transformer，把更高权重分配给含泄漏峰的频带，以及自监督的 DASFormer 类模型，用大量无标注数据学习通用表示。并行还有对比学习、生成对抗网络增广来缓解标注稀缺和跨场景泛化问题。这条路线解决的是噪声、时变和数据少，但多数仍以提升分类或表示质量为目标，没有要求注意力与事件物理 footprint 对齐。

第三条路线是分布式声传感上的 2 维或 3 维表示加卷积识别。把原始迹线转成时间距离图像、时频图或格拉姆角和场，再用卷积网络做事件识别，部分工作做沿光纤的粗定位。另 1 分支把时距平面当作目标检测问题，用 YOLO 系列同时输出类别和区域框，支持多事件同时出现。论文肯定了这些进展，但指出一个共性局限：多数只用图像级标签监督，优化判别准确率，不显式鼓励学到的表示在空间或时间上与事件物理 footprint 对齐。

本文的差异正在于监督形态。除了事件级标签，还引入像素级掩膜，用空间约束要求类激活图与标注区域一致。推理时不加分割解码器，直接从分类网络内部表示导出可解释热力图。这不是换一个更大骨干，而是在监督信号上加了一个位置约束，试图让高分类分必须来自事件区域内的激活。

要解决的问题是什么，输入输出如何定义？

把问题形式化一下有助于复述。输入是一张 3 通道伪彩色时距图，尺寸为 256 乘 512，横轴对应沿光纤的距离，纵轴对应时间，对应约 5.12 秒数据。它由原始相位在短时窗内的时间标准差计算得到，再经固定动态范围截断和 colormap 映射。低方差区域表示安静，高方差团块对应泄漏、撞击等快速扰动。慢漂被抑制，事件结构被凸显。

输出有两个层次。第一是多标签向量，5 个事件类别各输出一个是否出现的二值判断，类别包括泄漏、卡箍、操作、沟盖和其他。注意卡箍在全测试划分中全部为正样本，这会影响对该类指标的理解，后文结果部分会展开。第二是每个正类的时空热力图，由类激活图上采样到输入分辨率并归一化得到，用于估计事件在距离和时间上的位置。

举一个教学例子帮助理解，但例子中的数值仅为示意而不代表论文实测。假设一张图里在距离轴中段、时间轴后半段有一个泄漏引起的持续振动团，同时在远端有一个短暂敲击，理想输出应是泄漏和操作两类同时置一，且两张热力图分别高亮各自团块而不是都去看能量最强的那个点。多标签意味着类别之间不互斥，阈值和评估都要按每类独立处理。

学习的难点在于捷径。分布式声传感背景里有人孔盖声、土壤传来的振动、其他事件的能量，模型完全可以靠这些与标签相关的背景拿高分。论文后文用无空间监督时定位指标为零来证明这一点：分对不等于看对。因此问题不只是提高准确率，而是让判决依据可定位、可检查。

方法全景：一个样本走完全流程

沿一个样本走一遍。起点是 interrogator 给出的相位函数，随空间位置和时间变化。第一步按空间位置逐点切分连续时间区间，在每个小区间内计算相位的标准差，得到方差图。公式含义是把区间内的快速起伏汇总成一个数值，慢漂在区间内变化小所以被压低。这一步的输出是 2 维数组，横轴距离，纵轴为时间分段序号。

第二步把方差图做固定动态范围截断避免饱和，再映射为 2 维 colormap 图像并转成 3 通道伪彩色，尺寸固定为 256 乘 512。这个转换保留时空结构，同时让数据形式适合用在图像上预训练过的卷积骨干处理。需要提醒的是颜色只是可视化和网络输入的编码，不代表原始物理量的线性刻度，解读时应回到方差高低而不是颜色本身。

第三步进入改造后的卷积骨干。骨干可以是 VGG16 带批归一化或 ResNet34，分类头统一为最后卷积特征图后接全局自适应平均池化到 1 乘 1，再经全连接输出每类一个 logit。训练时除了对 logit 做多标签二元交叉熵，还从最后卷积层按 Grad-CAM++ 算出类别相关的类激活图，上采样归一化后与人工二值掩膜做像素级二元交叉熵，加权相加得到总损失。

第四步是推理。给定一张新时距图，前向得到每类 logit，经 Sigmoid 后阈值化得到多标签判决，同时对每个预测为正的类别导出类激活图作为定位热力图。不需要额外分割解码器，定位能力来自训练时空间损失塑造的注意力形态。复述时要记住监督只在训练时需要掩膜，推理时只有图像输入。

时距表示与骨干改造各自分工是什么？

先讲表示组件。原始相位直接用有两个麻烦：张量维度高、噪声和慢漂严重。按短时窗求标准差的操作把每个位置、每个短区间内的波动强度提炼出来，事件呈现为紧凑的时空结构，安静区保持低值。这一步的计算目标是事件敏感且可视化友好的 2 维图，而不是保留全部波形细节。窗口是固定时长连续切分，论文未报告具体窗长毫秒数，这是一个复现时需要核对的缺项，只能按 5.12 秒对应五百一十二列反推每列约 10 毫秒量级，但不应把推算当作原文报告。

再讲骨干改造。管道事件时间持续但空间局促，所以垂直下采样可接受，水平分辨率必须保留。改造后的 VGG16 把最后卷积块的 3 个 3 乘 3 核换成 3 乘 9、3 乘 7、3 乘 5 的横向拉长核，扩大沿距离轴感受野而不对时间过度平滑，同时把第四个最大池化改成 3 乘 1 核、步长 2 乘 1，只压时间不压距离。改造后的 ResNet34 把第三、4 阶段步长从二二改成二一，并在第四残差块换上同样的横向拉长核。两者统一记为 HK 前缀。

多标签分类 × 空间掩膜监督： 多标签分类负责回答一张时空图里同时出现了泄漏、卡箍、开盖、覆土扰动、其他中的哪几类，空间掩膜监督负责要求模型的类激活图在上采样到输入分辨率后与人工矩形掩膜在像素级对齐，二者搭配的原因是只用图像级标签时模型可以用背景相关性拿高分却不看事件本体，组合后分类损失保判别力，空间损失把依据拉回物理 footprint，新增作用是推理时无需分割解码器也能输出可解释定位热力图。

时距表示 × 水平保真改造： 时距表示负责把相位随时间距离变化的原始张量压缩成横轴为距离、纵轴为时间的 2 维方差图，水平保真改造负责在骨干网络里用横向拉长卷积核与非对称下采样保留距离轴分辨率而允许时间轴适度压缩，二者搭配的原因是管道事件在时间上持续但在空间上局促，组合意义是让感受野沿管道方向变长而不把定位需要的距离细节池化掉。

理解时不要把横向大核当成万能。它的作用是让网络一眼看到沿管道方向的连续能量条带，而不是把孤立噪点当事件。但如果事件本身很短或掩膜画得偏大，大感受野也可能把背景带进来，这正是需要空间损失约束的原因。

分类头与类激活图如何协同输出定位？

分类头的结构很克制。VGG16 原来自适应池化输出 7 乘 7，这里改成 1 乘 1，ResNet34 本来就是 1 乘 1。压成向量后接一个全连接，每类一个 logit。这种设计刻意不保留显式位置，位置信息全部留在最后卷积特征图里，靠类激活图事后恢复。这与分割网络在解码端逐像素分类的思路不同，参数量和标注依赖更小，但定位精度上限也受特征图分辨率限制。

Grad-CAM++ 的角色是在训练和推理时给出类别相关的空间权重。它利用类别 logit 对最后卷积特征图的梯度关系，算出每个通道对该类的重要程度，再加权求和得到热力图，上采样到输入尺寸并归一化。论文明确用的是 Grad-CAM++ 形式，并在训练中对该图加像素级二元交叉熵监督。原文未给出梯度是否截断、归一化是按图 min-max 还是 Sigmoid、掩膜在多实例时如何合并之外的细节，复现时应把这些实现选择记录下来，不从模型名字推定。

全局平均池化分类头 × Grad-CAM++： 全局平均池化分类头负责把最后一个卷积特征图压成向量再经全连接输出每类一个 logit，Grad-CAM++ 负责在训练和推理时从该结构反推每个类别对最后卷积层的加权激活图，二者搭配的原因是分类头本身不保留位置，全靠加权特征图恢复位置，组合意义是同一套分类权重既做判决又做定位热力图来源，空间损失可以直接约束这张图。

一个常见误解是把热力图当成分割结果。热力图是解释性估计，阈值化后才能算交并比类的定位指标。论文用平均精度在交并比 0.5 下的定位分数来衡量，阈值和后处理会影响绝对值，但有无空间监督的相对差距足够大，足以支撑定性判断。

联合损失与参数更新如何组织？

训练目标由两项组成。第一项是标准多标签分类损失，即带 logit 的二元交叉熵，对 5 个类别独立求和。符号含义是真值标签与 logit 经 Sigmoid 后的概率做交叉熵，目标是让正类概率高、负类概率低。第二项是空间对齐损失，把归一化类激活图与二值真值掩膜做像素级二元交叉熵，目标是让高激活落在标注矩形内、低激活在外。总损失是两者相加，系数控制空间监督强度，论文未报告该系数的具体取值和搜索过程，这是复现时必须补记的缺项。

参数更新策略是只微调高层。ResNet34 训练第三、4 阶段加分类头，VGG16 只解冻最后 2 个卷积块，其余层冻结以稳定优化、减少过拟合。优化器用 Adam，学习率十的负 3 次方，批量三十二，余弦退火调度，自动混合精度，在单卡上训练，早停 patience 为 15 个 epoch，以验证损失为准。模型选择在训练划分上做五折交叉验证，按折平均验证性能选配置，再在独立测试划分上报告。

二元交叉熵分类损失 × 类激活图空间损失： 二元交叉熵分类损失负责在多标签设定下对每一类独立做有无判断，类激活图空间损失负责把归一化后的类激活图与二值掩膜做像素级二元交叉熵，二者以总损失相加并用系数控制空间约束强度，搭配原因是前者只管分对，后者管看对地方，组合后模型被迫用事件区域内的特征激活来支撑分类判决，从而减少依赖背景振动或偶发相关的捷径。

需要区分原始目标、近似与优化步骤。原始目标是希望判决依据落在物理 footprint 内，近似是用矩形掩膜代替精确轮廓、用 Grad-CAM++ 图代替真实因果依据，优化步骤是梯度同时流经分类头和最后卷积层。由于掩膜是人工矩形且按事件在平台内合并为每类实例单一二值区，监督本身带有框粗糙性，不能期待像素级完美贴合。

数据、标注与划分条件是什么？

先提出本节要回答的比较前提：所有分类与定位数字是否来自同一采集会话、同一划分和同一时距生成流程。只有确认这一点，不同骨干和有无空间监督的对比才公平。论文报告所有数据来自同一野外采集会话，环境与水力条件一致，管道为球墨铸铁 DN80，约 3 个 bar，埋于土壤下，附近有人孔盖带来显著声学活动。这意味着结果支持在该工况下的判断，尚不支持跨管材、埋设和水力条件的迁移结论。

分类分很高时为什么还说模型看错了地方？

本节的比较问题是：在同一划分上，改造骨干与空间监督是否同时改变分类分数和定位分数。公平条件是同一时距生成、同一 5 类标签、同一训练测试划分。指标方向是微平均 F1 与平均精度越高越好，定位用交并比 0.5 下的平均精度越高越好。需要先建立反直觉点：分类高不等于定位对。

第一张表聚焦分类分数与定位分数的对照关系，第二张表补充数据划分与信号参数的背景条件，两者结合才能说明本次比较的前提是否一致，表中数值方向仅在该条件下讨论。

该表把来源中的主结果数值按原文证据句整理，数值和方向只适用于当前验证条件，不能外推到其他数据。

去掉空间监督与换骨干分别发生什么？

把对比拆成两个维度有助于做消融阅读。第一是监督维度：固定骨干，只切换有无空间损失。论文显示无论 VGG16 还是 ResNet34，无空间监督时定位指标均为零，分类却高达 0.93 以上。有监督后定位跃升，分类小幅持平或微升。这支持一个判断：纯标签驱动的训练不能保证空间注意力有意义，高分类分可能来自偶发相关。论文用基线热力图弥散、常高亮背景土壤振动或其他事件区域来描述同一现象。

第二是骨干维度：固定监督，比较 VGG16 与 ResNet34 及其 HK 改造。HK 改造的定位在有监督时明显高于未改造对应版本，VGG16 系从 0.309 升到 0.527，ResNet34 系从 0.071 升到 0.462。这支持水平感受野与非对称下采样对距离定位有帮助。但分类维度上改造效果微弱，甚至有个别下降，说明不要把结构改造理解成分类增强器。

逐类 confusion 能进一步看到边界。论文报告 ResNet34 空间监督下泄漏 51 次检出无漏检、卡箍全对、沟盖全对，操作与其他的精度召回在 0.86 到 0.92 之间。操作与其他的类内差异大且互相相似，是主要难点。论文也承认小部分误差与野外标注不完美有关，这与矩形框监督的粗糙性一致。复述时应强调卡箍测试全为正样本，其完美分数的信息量有限，不能推广为模型在负样本上也不误报。

哪些结论尚不支持，还缺哪项验证？

先区分论文直接报告、有限解释与未验证推测。直接报告的是在该埋地 testbed、同一会话数据上，空间监督把定位从零提升到约 0.5 左右且分类保持。有限解释是模型现在依据物理 footprint 而非捷径做判决，这由热力图集中与定位分数共同支持，但仍是相关性证据而非因果证明。未验证推测是跨管材、埋设、水力状态的迁移能力，论文明确列为未来工作，当前不应承诺。

训练与部署成本的缺项也要点清。论文报告了批量、优化器、调度、早停、单卡型号与混合精度，但未报告训练时长、参数量、推理帧率与实际延迟，也未测量误报导致的开挖成本。总体趋势不等于每组都成立，定位均值约 0.5 意味着仍有约一半情况在 0.5 交并比下不合格。

另一个边界是标注依赖。空间监督需要人工矩形掩膜，新增标注成本是主要代价。如果未来换场景后重新画框的成本过高，方法的实用性会打折扣。论文未评估少框、弱监督或框噪声鲁棒性，这正是复现者可以补的验证：固定分类头，只减少掩膜比例或扰动框边界，观察定位指标如何衰减。

最后是评估口径。分类用微平均 F1 与平均精度，定位用交并比 0.5 下的平均精度，不同指标的差值不能混放一列比较，数值相同也不代表同一能力。阅读时要同时核对数据集、模型、阶段、指标与聚合对象，避免把自动定位分数当成人工复核通过率。

复现先做什么，需要保留哪些超参数？

复现的第一步是重建时距图。按空间位置逐点切短时窗求相位标准差，再做固定动态范围截断并映射为 3 通道伪彩色，尺寸固定为 256 乘 512。必须记录窗长、截断上下限、colormap 类型与归一化方式，论文未公开这些细节，只能从描述反推大致范围，缺项应在复现报告中明确标注而不是猜一个值填上。

第二步是搭建 HK 骨干与分类头。VGG16 把最后卷积块换成横向拉长核并把第四池化改成非对称，ResNet34 把后 2 阶段步长改成二一并在第四块换横向核，分类头统一为自适应平均池化到 1 乘 1 加全连接。只微调高层的冻结策略要原样保留：ResNet34 训后 2 阶段加分类头，VGG16 只解冻最后 2 个卷积块。下表集中整理数据划分与采集表示的原文量化依据，为复现核对提供同一对照面。

该表把训练验证测试划分数量与空间采样和时间采样以及时距图尺寸放在同一处对照，说明复现时必须按原划分与原采样参数重建数据管线，任何改动都会改变样本分布与输入尺寸，故在此集中核对后再进入训练配置与冻结策略的执行细节。

何时值得尝试这种方法，如何一句话复述？

收束时回到适用条件。如果你的任务也是多事件同时出现、需要知道在哪里何时发生、且能负担矩形框标注，这种用分类网络加空间损失输出热力图的方法值得尝试。它避免了为定位单独训练分割解码器，推理链路短，热力图可直接给人工复核。但如果场景变化快、标注跟不上，或定位精度要求达到开挖级，就需要先补跨工况验证和误报成本评估，不宜直接部署。

一句话复述供检查：把相位短窗标准差做成横距离纵时间的伪彩色图，用横向大核且保宽度的骨干输出多标签 logit，训练时用分类二元交叉熵加类激活图与矩形掩膜的像素级二元交叉熵联合约束，推理时对正类导出类激活图作为定位。关键数字记忆：在该数据集上分类微平均 F1 约 0.94，定位在有监督时约 0.46 到 0.52，无监督时为零。

对初学者的提醒是不要把高分类分当成定位对的证据，也不要把热力图集中当成因果证明。每次重提结果都应带上条件：在同一会话、同一划分、矩形监督下成立。下一步最有价值的验证是换管道换水力条件重测，以及做掩膜量与框噪声的消融，确认方法在标注变少变粗时是否依然把注意力保持在事件 footprint 内。

📐 原文公式与排版

以下展示论文原页中的数学表达区域，保留原始上下标、分式和符号排版。区域序号仅用于本文导航，不是论文公式编号。

区域 1 · 查看论文原页

另有 5 个候选区域因边界不明确或图片数量、尺寸限制未展开；请查看完整论文中的原始排版。

⚖️ 评分明细

评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。

• 评分规则：type-aware-v1
• 评分模型：muse-spark-1.3-contributor
• 评分请求协议：openai_responses

← 返回 eusipco-2026 论文汇总