Τα δίκτυα βαθιάς μάθησης που βασίζονται στην προσοχή θα μπορούσαν να βελτιώσουν τα συστήματα σόναρ

Ερευνητές στην Κίνα και τις Ηνωμένες Πολιτείες διερεύνησαν πρόσφατα πώς ένα βαθύ νευρωνικό δίκτυο που βασίζεται στην προσοχή (ABNN) θα μπορούσε να βοηθήσει στη βελτίωση των συστημάτων σόναρ. 

Η έρευνα δημοσιεύθηκε στο Εφημερίδα της Ακουστικής Εταιρείας της Αμερικής από την Ακουστική Εταιρεία της Αμερικής μέσω της AIP Publishing. 

Ο Qunyan Ren είναι συν-συγγραφέας της έρευνας. 

«Βρήκαμε ότι το ABNN ήταν πολύ ακριβές στην αναγνώριση στόχων, ξεπερνώντας ένα συμβατικό βαθύ νευρωνικό δίκτυο, ιδιαίτερα όταν χρησιμοποιεί περιορισμένα δεδομένα ενός στόχου για την ανίχνευση πολλαπλών στόχων», είπε ο Ρεν.

DNN και ABNN

Η βαθιά μάθηση, η οποία είναι μια μέθοδος μηχανικής μάθησης που χρησιμοποιεί τεχνητά νευρωνικά δίκτυα που λειτουργούν για την αναγνώριση προτύπων, βασίζεται σε στρώματα τεχνητών νευρώνων (κόμβων) που μαθαίνουν ένα ξεχωριστό σύνολο χαρακτηριστικών με βάση τις πληροφορίες που υπάρχουν στο προηγούμενο επίπεδο. 

Τα βαθιά νευρωνικά δίκτυα που βασίζονται στην προσοχή χρησιμοποιούν μια ενότητα προσοχής για να μιμηθούν ορισμένα στοιχεία στη γνωστική διαδικασία στους ανθρώπους. Αυτά τα στοιχεία μας βοηθούν συγκεκριμένα να εστιάσουμε στα πιο σημαντικά μέρη της γλώσσας, σε μια εικόνα ή σε κάποιο άλλο μοτίβο, ενώ συντονίζουμε τα υπόλοιπα.

Τα ABBN το επιτυγχάνουν προσθέτοντας περισσότερο βάρος σε ορισμένους κόμβους, γεγονός που ενισχύει συγκεκριμένα στοιχεία προτύπων στη διαδικασία μηχανικής μάθησης.

Ενσωμάτωση του ABNN στο βυθόμετρο

Με την ενσωμάτωση ενός συστήματος ABNN σε εξοπλισμό σόναρ για στοχευμένη ανίχνευση πλοίων, η ομάδα των ερευνητών μπόρεσε να δοκιμάσει δύο πλοία σε μια ρηχή περιοχή 135 τετραγωνικών μιλίων στη Θάλασσα της Νότιας Κίνας. Τα αποτελέσματα συγκρίθηκαν με ένα κανονικό βαθύ νευρωνικό δίκτυο (DNN) και άλλος εξοπλισμός όπως το ραντάρ βοήθησε στον προσδιορισμό περισσότερων από 17 πλοίων παρεμβολής στην περιοχή που δοκιμάστηκε. 

Οι ερευνητές διαπίστωσαν ότι το ABNN αυξάνει τις προβλέψεις του καθώς κινείται προς τα χαρακτηριστικά που συσχετίζονται στενά με τους στόχους εκπαίδευσης. Καθώς το δίκτυο εναλλάσσεται συνεχώς μέσω του συνόλου δεδομένων εκπαίδευσης, η ανίχνευση γίνεται πιο έντονη. Αυτό τονίζει τους σταθμισμένους κόμβους και αγνοεί άσχετα δεδομένα.

Η ακρίβεια ABNN στον εντοπισμό των πλοίων Α και Β χωριστά ήταν ελαφρώς υψηλότερη από την DNN, με το πρώτο να επιτυγχάνει 98% και το δεύτερο 97.4%. Όταν επρόκειτο για την ακρίβεια του ABNN για τον εντοπισμό και των δύο πλοίων στην ίδια γειτονιά, ήταν ακόμη υψηλότερη στο 74%, σε σύγκριση με το 58.4% του DNN.

Ένα παραδοσιακό μοντέλο ABNN συνήθως εκπαιδεύεται με δεδομένα πολλαπλών πλοίων εάν χρησιμοποιείται για ταυτοποίηση πολλαπλών στόχων. Ωστόσο, αυτή η διαδικασία μπορεί γρήγορα να γίνει δαπανηρή και πολύπλοκη. Εξαιτίας αυτού, οι ερευνητές εκπαίδευσαν το μοντέλο ABNN για να ανιχνεύει κάθε στόχο ξεχωριστά. Καθώς το επίπεδο εξόδου του δικτύου επεκτείνεται, τα σύνολα δεδομένων μεμονωμένων στόχων συγχωνεύονται.

«Η ανάγκη εντοπισμού πολλαπλών πλοίων ταυτόχρονα είναι ένα κοινό σενάριο και το μοντέλο μας υπερβαίνει σημαντικά το DNN στον εντοπισμό δύο πλοίων στην ίδια γειτονιά», είπε ο Ρεν. «Επιπλέον, το ABNN μας εστίασε στα εγγενή χαρακτηριστικά των δύο πλοίων ταυτόχρονα».