Pozornost-založené hluboké učení sítí může zlepšit sonarové systémy

Výzkumníci v Číně a Spojených státech nedávno prozkoumali, jak pozornost-založená hluboká neuronová síť (ABNN) může pomoci zlepšit sonarové systémy.

Výzkum byl zveřejněn v Časopisu Akustické společnosti Ameriky Akustickou společností Ameriky prostřednictvím AIP Publishing.

Qunyan Ren je spoluautorem výzkumu.

“Zjistili jsme, že ABNN byla velmi přesná v rozpoznávání cílů, překonala konvenční hlubokou neuronovou síť, zejména při použití omezených dat pro detekci více cílů,” řekl Ren.

DNN a ABNN

Hluboké učení, které je metodou strojového učení, která používá umělou neuronovou síť, která pracuje na rozpoznávání vzorců, závisí na vrstvách umělých neuronů (uzlů), které se učí rozpoznávat určitou sadu funkcí na základě informací přítomných v předchozí vrstvě.

Pozornost-založené hluboké neuronové sítě používají modul pozornosti k napodobení určitých prvků v kognitivním procesu u lidí. Tyto prvky zejména pomáhají nám soustředit se na nejvýznamnější části jazyka, obrazu nebo jiného vzorce, zatímco ostatní části ignorujeme.

ABNN dosahuje tohoto přidáním větší váhy určitým uzlům, což zvyšuje specifické prvky vzorce v procesu strojového učení.

Integrace ABNN do sonaru

Integrací systému ABNN do sonarového vybavení pro detekci cílových lodí, tým výzkumníků mohl otestovat dvě lodě v oblasti 135 čtverečních mil v Jihočínském moři. Výsledky byly porovnány s běžnou hlubokou neuronovou sítí (DNN) a dalšími zařízeními, jako je radar, která pomohla určit více než 17 interferujících lodí v oblasti, která byla testována.

Výzkumníci zjistili, že ABNN zvyšuje své předpovědi, jak se blíží k funkcím, které úzce korelují s cíli školení. Jak síť prochází trénovací datovou sadou, detekce se stává výraznější. To zdůrazňuje vážené uzly a ignoruje irelevantní data.

Přesnost ABNN při detekci lodí A a B samostatně byla mírně vyšší než DNN, s první dosahující 98 % a druhou 97,4 %. Když šlo o přesnost ABNN při detekci obou lodí ve stejné blízkosti, byla ještě vyšší, 74 %, ve srovnání s 58,4 % u DNN.

Tradiční model ABNN se obvykle trénuje s daty více lodí, pokud se používá pro identifikaci více cílů. Nicméně, tento proces může rychle stát nákladným a složitým. Z tohoto důvodu výzkumníci trénovali model ABNN k detekci každého cíle samostatně. Jak je výstupní vrstva sítě prodloužena, datové sady jednotlivých cílů se slučují.

“Potřeba detekovat více lodí současně je běžným scénářem a náš model výrazně překonává DNN při detekci dvou lodí ve stejné blízkosti,” řekl Ren. “Navíc, náš ABNN se soustředil na vnitřní funkce obou lodí současně.”