Aufmerksamkeitsbasierte Deep-Learning-Netzwerke könnten Sonarsysteme verbessern

Forscher in China und den Vereinigten Staaten haben kürzlich erforscht, wie ein aufmerksamkeitsbasiertes Deep-Learning-Netzwerk (ABNN) Sonarsysteme verbessern kann.

Die Forschung wurde in der Zeitschrift der Akustischen Gesellschaft von Amerika von der Akustischen Gesellschaft von Amerika durch AIP Publishing veröffentlicht.

Qunyan Ren ist Co-Autor der Forschung.

“Wir fanden heraus, dass das ABNN sehr genau bei der Zielerkennung war, insbesondere wenn es um die Verwendung von begrenzten Einzelzielformularen zur Erkennung mehrerer Ziele ging”, sagte Ren.

DNNs und ABNNs

Deep Learning, eine maschinelle Lernmethode, die künstliche neuronale Netzwerke verwendet, um Muster zu erkennen, basiert auf Schichten künstlicher Neuronen (Knoten), die eine bestimmte Menge von Merkmalen basierend auf den Informationen in der vorherigen Schicht lernen.

Aufmerksamkeitsbasierte Deep-Learning-Netzwerke verwenden ein Aufmerksamkeitsmodul, um bestimmte Elemente im kognitiven Prozess des Menschen nachzuahmen. Diese Elemente helfen uns dabei, uns auf die wichtigsten Teile einer Sprache, eines Bildes oder eines anderen Musters zu konzentrieren und den Rest auszublenden.

ABBNs erreichen dies, indem sie bestimmten Knoten mehr Gewicht zuweisen, was bestimmte Mustermerkmale im maschinellen Lernprozess hervorhebt.

Integrierung von ABNN in Sonar

Durch die Integration eines ABNN-Systems in Sonargeräte für die gezielte Schiffferkennung konnte das Forscherteam zwei Schiffe in einem 135 Quadratmeilen großen, flachen Gebiet in der Südchinesischen See testen. Die Ergebnisse wurden mit einem herkömmlichen Deep-Learning-Netzwerk (DNN) verglichen, und andere Geräte wie Radar halfen dabei, über 17 störende Schiffe in dem getesteten Gebiet zu bestimmen.

Die Forscher fanden heraus, dass das ABNN seine Vorhersagen erhöht, wenn es sich den Merkmalen nähert, die eng mit den Trainingszielen korrelieren. Wenn das Netzwerk kontinuierlich durch das Trainingsdataset zyklisiert, wird die Erkennung deutlicher. Dies betont die gewichteten Knoten und ignoriert irrelevante Daten.

Die ABNN-Genauigkeit bei der Erkennung der Schiffe A und B getrennt war leicht höher als die des DNN, wobei das ABNN 98 % und der DNN 97,4 % erreichte. Wenn es um die ABNN-Genauigkeit bei der Erkennung beider Schiffe in der gleichen Umgebung ging, war sie sogar höher bei 74 %, im Vergleich zu 58,4 % des DNN.

Ein traditionelles ABNN-Modell wird normalerweise mit Mehrschiffdaten trainiert, wenn es für die Identifizierung mehrerer Ziele verwendet wird. Dieser Prozess kann jedoch schnell teuer und komplex werden. Deshalb trainierten die Forscher das ABNN-Modell, um jedes Ziel separat zu erkennen. Wenn die Ausgabeschicht des Netzwerks erweitert wird, fusionieren die Einzelzielformulare.

“Die Notwendigkeit, mehrere Schiffe gleichzeitig zu erkennen, ist ein häufiges Szenario, und unser Modell übertrifft das DNN deutlich bei der Erkennung von zwei Schiffen in der gleichen Umgebung”, sagte Ren. “Darüber hinaus konzentrierte sich unser ABNN auf die inhärenten Merkmale der beiden Schiffe gleichzeitig.”