Les réseaux d'apprentissage en profondeur basés sur l'attention pourraient améliorer les systèmes sonar

Des chercheurs en Chine et aux États-Unis ont récemment exploré comment un réseau neuronal profond basé sur l'attention (ABNN) pourrait aider à améliorer les systèmes de sonar. 

La recherche a été publiée dans le Journal de la Société Acoustique d'Amérique par l'Acoustical Society of America via AIP Publishing. 

Qunyan Ren est co-auteur de la recherche. 

"Nous avons constaté que l'ABNN était très précis dans la reconnaissance des cibles, dépassant un réseau de neurones profonds conventionnel, en particulier lors de l'utilisation de données à cible unique limitées pour détecter plusieurs cibles", a déclaré Ren.

DNN et ABNN

L'apprentissage profond, qui est une méthode d'apprentissage automatique qui utilise des réseaux de neurones artificiels capables de reconnaître des modèles, repose sur des couches de neurones artificiels (nœuds) qui apprennent un ensemble distinct de fonctionnalités en fonction des informations présentes dans la couche précédente. 

Les réseaux de neurones profonds basés sur l'attention utilisent un module d'attention pour imiter certains éléments du processus cognitif chez l'homme. Ces éléments nous aident spécifiquement à nous concentrer sur les parties les plus importantes du langage, une image ou un autre modèle tout en éliminant le reste.

Les ABBN y parviennent en ajoutant plus de poids à certains nœuds, ce qui améliore des éléments de modèle spécifiques dans le processus d'apprentissage automatique.

Incorporer ABNN dans Sonar

En incorporant un système ABNN dans un équipement sonar pour la détection ciblée des navires, l'équipe de chercheurs a pu tester deux navires dans une zone peu profonde de 135 milles carrés en mer de Chine méridionale. Les résultats ont été comparés à un réseau de neurones profonds (DNN) régulier, et d'autres équipements comme le radar ont permis de déterminer plus de 17 navires interférents dans la zone testée. 

Les chercheurs ont découvert que l'ABNN augmentait ses prédictions à mesure qu'il se dirigeait vers les caractéristiques étroitement corrélées aux objectifs d'entraînement. Au fur et à mesure que le réseau parcourt continuellement l'ensemble de données d'apprentissage, la détection devient plus prononcée. Cela accentue les nœuds pondérés et ignore les données non pertinentes.

La précision ABNN de détection des navires A et B séparément était légèrement supérieure à celle du DNN, le premier atteignant 98% et le second 97.4%. En ce qui concerne la précision ABNN de détection des deux navires dans le même voisinage, elle était encore plus élevée à 74%, par rapport aux 58.4% du DNN.

Un modèle ABNN traditionnel est généralement formé avec des données multi-navires s'il est utilisé pour l'identification de plusieurs cibles. Cependant, ce processus peut rapidement devenir coûteux et complexe. Pour cette raison, les chercheurs ont formé le modèle ABNN pour détecter chaque cible séparément. Au fur et à mesure que la couche de sortie du réseau est étendue, les ensembles de données cibles individuelles fusionnent.

"La nécessité de détecter plusieurs navires à la fois est un scénario courant, et notre modèle dépasse considérablement le DNN dans la détection de deux navires dans le même voisinage", a déclaré Ren. "De plus, notre ABNN s'est concentré sur les caractéristiques inhérentes aux deux navires simultanément."