Redes neuronales profundas basadas en atención podrían mejorar los sistemas de sonar

Investigadores en China y Estados Unidos exploraron recientemente cómo una red neuronal profunda basada en atención (ABNN) podría ayudar a mejorar los sistemas de sonar.

La investigación se publicó en la Revista de la Sociedad Acústica de América por la Sociedad Acústica de América a través de AIP Publishing.

Qunyan Ren es coautor de la investigación.

“Encontramos que la ABNN fue muy precisa en el reconocimiento de objetivos, superando a una red neuronal profunda convencional, particularmente cuando se utilizaban datos de un solo objetivo limitados para detectar múltiples objetivos”, dijo Ren.

DNNs y ABNNs

El aprendizaje profundo, que es un método de aprendizaje automático que utiliza redes neuronales artificiales que trabajan para reconocer patrones, se basa en capas de neuronas artificiales (nodos) que aprenden un conjunto distinto de características basadas en la información presente en la capa anterior.

Las redes neuronales profundas basadas en atención utilizan un módulo de atención para imitar ciertos elementos en el proceso cognitivo humano. Estos elementos ayudan específicamente a enfocarnos en las partes más importantes del lenguaje, una imagen o algún otro patrón mientras ignoramos el resto.

Las ABNNs logran esto agregando más peso a ciertos nodos, lo que realza elementos de patrones específicos en el proceso de aprendizaje automático.

Incorporando ABNN en sonar

Al incorporar un sistema ABNN en equipos de sonar para la detección de barcos objetivo, el equipo de investigadores pudo probar dos barcos en un área de 135 millas cuadradas en el Mar de China Meridional. Los resultados se compararon con una red neuronal profunda regular (DNN) y otros equipos como radar ayudaron a determinar más de 17 barcos que interferían en el área que se probó.

Los investigadores encontraron que la ABNN aumenta sus predicciones a medida que se acerca a las características que se correlacionan estrechamente con los objetivos de entrenamiento. A medida que la red cicla continuamente a través del conjunto de datos de entrenamiento, la detección se vuelve más pronunciada. Esto realza los nodos ponderados y descarta los datos irrelevantes.

La precisión de la ABNN para detectar los barcos A y B por separado fue ligeramente superior a la de la DNN, con la primera alcanzando el 98% y la segunda el 97,4%. Cuando se trataba de la precisión de la ABNN para detectar ambos barcos en la misma vecindad, fue aún mayor, con un 74%, en comparación con el 58,4% de la DNN.

Un modelo ABNN tradicional generalmente se entrena con datos de múltiples barcos si se utiliza para la identificación de múltiples objetivos. Sin embargo, este proceso puede volverse rápidamente costoso y complejo. Debido a esto, los investigadores entrenaron el modelo ABNN para detectar cada objetivo por separado. A medida que la capa de salida de la red se extiende, los conjuntos de datos de objetivos individuales se fusionan.

“La necesidad de detectar múltiples barcos al mismo tiempo es un escenario común, y nuestro modelo supera significativamente a la DNN en la detección de dos barcos en la misma vecindad”, dijo Ren. “Además, nuestra ABNN se centró en las características inherentes de los dos barcos simultáneamente”.