Les réseaux d’apprentissage profond basés sur l’attention pourraient améliorer les systèmes de 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 la Société acoustique d’Amérique 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 neuronal profond conventionnel, en particulier lors de l’utilisation de données à cible unique limitées pour détecter plusieurs cibles”, a déclaré Ren.

Réseaux neuronaux profonds et ABNN

L’apprentissage profond, qui est une méthode d’apprentissage automatique qui utilise des réseaux neuronaux artificiels qui fonctionnent pour 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 neuronaux profonds basés sur l’attention utilisent un module d’attention pour imiter certains éléments du processus cognitif humain. Ces éléments aident spécifiquement à se concentrer sur les parties les plus importantes d’un langage, d’une image ou d’un autre modèle tout en ignorant le reste.

Les ABNN atteignent cet objectif en ajoutant plus de poids à certains nœuds, ce qui renforce des éléments de modèles spécifiques dans le processus d’apprentissage automatique.

Intégration de l’ABNN dans les systèmes de sonar

En intégrant un système ABNN dans les équipements de sonar pour la détection ciblée de navires, l’équipe de chercheurs a pu tester deux navires dans une zone de 135 miles carrés, en eaux peu profondes, dans la mer de Chine méridionale. Les résultats ont été comparés à ceux d’un réseau neuronal profond (DNN) conventionnel, et d’autres équipements tels que le radar ont aidé à déterminer plus de 17 navires interférents dans la zone testée.

Les chercheurs ont constaté que l’ABNN augmente ses prédictions à mesure qu’il se rapproche des fonctionnalités qui correspondent étroitement aux objectifs de formation. À mesure que le réseau parcourt continuellement le jeu de données de formation, la détection devient plus prononcée. Cela met en évidence les nœuds pondérés et ignore les données non pertinentes.

La précision de l’ABNN pour détecter les navires A et B séparément était légèrement supérieure à celle du DNN, avec respectivement 98 % et 97,4 %. Lorsqu’il s’agissait de la précision de l’ABNN pour détecter les deux navires dans la même zone, elle était encore plus élevée, à 74 %, par rapport à 58,4 % pour le DNN.

Un modèle ABNN traditionnel est généralement formé avec des données multinales si celui-ci est utilisé pour l’identification de plusieurs cibles. Cependant, ce processus peut rapidement devenir coûteux et complexe. À cause de cela, les chercheurs ont formé le modèle ABNN pour détecter chaque cible séparément. À mesure que la couche de sortie du réseau est étendue, les ensembles de données de cible individuelle fusionnent.

“La nécessité de détecter plusieurs navires en même temps est un scénario courant, et notre modèle dépasse considérablement le DNN pour détecter deux navires dans la même zone”, a déclaré Ren. “De plus, notre ABNN s’est concentré sur les caractéristiques inhérentes aux deux navires simultanément.”