Opmerksomhedsbaserede dybe neurale netværk kan forbedre sonarsystemer

Forskere i Kina og USA har nylig udforsket, hvordan et opmerksomhedsbaseret dybt neuralt netværk (ABNN) kan hjælpe med at forbedre sonarsystemer.

Forskningen blev offentliggjort i Journal of the Acoustical Society of America af Acoustical Society of America gennem AIP Publishing.

Qunyan Ren er medforfatter til forskningen.

“Vi fandt, at ABNN var meget præcis i målgenkendelse, og overgik en konventionel dyb neuralt netværk, især når der blev brugt begrænsede enkeltmålsdata til at detektere multiple mål,” sagde Ren.

DNN’er og ABNN’er

Dybe neurale netværk, som er en maskinlæringsmetode, der bruger kunstige neurale netværk til at genkende mønstre, afhænger af lag af kunstige neuroner (noder), der lærer en særlig sæt af funktioner baseret på den information, der er til stede i det foregående lag.

Opmerksomhedsbaserede dybe neurale netværk bruger en opmerksomhedsmodul til at efterligne visse elementer i den kognitive proces hos mennesker. Disse elementer hjælper os specifikt med at fokusere på de vigtigste dele af sprog, et billede eller et andet mønster, mens vi udelukker resten.

ABNN’er opnår dette ved at tilføje mere vægt til visse noder, hvilket forbedrer bestemte mønstreelementer i maskinlæringsprocessen.

Integrering af ABNN i sonar

Ved at integrere et ABNN-system i sonarudstyr til målretning af skibe, kunne forskerholdet teste to skibe i et 135 kvadratmile stort, lavvandet område i Sydkinesiske Hav. Resultaterne blev sammenlignet med et almindeligt dybt neuralt netværk (DNN), og andet udstyr som radar hjalp med at bestemme over 17 forstyrrende skibe i det testede område.

Forskerne fandt, at ABNN øger sine forudsigelser, når det nærmer sig de funktioner, der korrelerer tæt med træningsmålene. Når netværket cirkler gennem træningsdatasettet, bliver detektion mere udpræget. Dette fremhæver de vægtede noder og udelukker irrelevant data.

ABNN’s nøjagtighed i detektion af skib A og B separat var lidt højere end DNN, med henholdsvis 98% og 97,4%. Når det kom til ABNN’s nøjagtighed i detektion af begge skibe i samme nærhed, var den endda højere på 74%, sammenlignet med DNN’s 58,4%.

En traditionel ABNN-model trænes normalt med flerskibsdata, hvis den bruges til multiple-målidentifikation. Men denne proces kan hurtigt blive kostbar og kompleks. Forskerne trænede derfor ABNN-modellen til at detektere hvert mål separat. Når outputlaget af netværket udvides, fusionerer de enkeltmålsdatasetter.

“Behovet for at detektere multiple skibe på samme tid er en almindelig scenario, og vores model overgår betydeligt DNN i detektion af to skibe i samme nærhed,” sagde Ren. “Desuden fokuserede vores ABNN på de indre funktioner af de to skibe samtidigt.”