Perhatian-Berdasarkan Jaringan Pembelajaran Dalam Bisa Meningkatkan Sistem Sonar

Peneliti di Cina dan Amerika Serikat baru-baru ini mengeksplorasi bagaimana jaringan saraf dalam berbasis perhatian (ABNN) bisa membantu meningkatkan sistem sonar.

Penelitian ini dipublikasikan di Jurnal Masyarakat Akustik Amerika oleh Masyarakat Akustik Amerika melalui AIP Publishing.

Qunyan Ren adalah co-penulis penelitian ini.

“Kami menemukan bahwa ABNN sangat akurat dalam pengenalan target, melebihi jaringan saraf dalam konvensional, terutama ketika menggunakan data target tunggal terbatas untuk mendeteksi beberapa target,” kata Ren.

DNNs dan ABNNs

Pembelajaran dalam, yang merupakan metode pembelajaran mesin yang menggunakan jaringan saraf buatan yang bekerja untuk mengenali pola, bergantung pada lapisan neuron buatan (node) yang belajar mengenai fitur yang berbeda berdasarkan informasi yang ada di lapisan sebelumnya.

Jaringan saraf dalam berbasis perhatian menggunakan modul perhatian untuk meniru beberapa elemen dalam proses kognitif manusia. Elemen-elemen ini secara khusus membantu kita fokus pada bagian paling penting dari bahasa, gambar, atau pola lainnya sambil menonaktifkan sisanya.

ABBNs mencapai ini dengan menambahkan bobot pada node tertentu, yang meningkatkan elemen pola tertentu dalam proses pembelajaran mesin.

Mengintegrasikan ABNN ke Sonar

Dengan mengintegrasikan sistem ABNN ke peralatan sonar untuk deteksi kapal yang ditargetkan, tim peneliti dapat menguji dua kapal di area seluas 135 mil persegi, daerah dangkal di Laut Cina Selatan. Hasilnya dibandingkan dengan jaringan saraf dalam biasa (DNN), dan peralatan lain seperti radar membantu menentukan lebih dari 17 kapal pengganggu di area yang diuji.

Peneliti menemukan bahwa ABNN meningkatkan prediksi saat bergerak menuju fitur yang berkorelasi erat dengan tujuan pelatihan. Saat jaringan terus mengulangi dataset pelatihan, deteksi menjadi lebih jelas. Ini menekankan node yang diberi bobot dan mengabaikan data yang tidak relevan.

Akurasi ABNN dalam mendeteksi kapal A dan B secara terpisah sedikit lebih tinggi daripada DNN, dengan yang pertama mencapai 98% dan yang terakhir 97,4%. Ketika datang ke akurasi ABNN dalam mendeteksi kedua kapal di lokasi yang sama, itu bahkan lebih tinggi pada 74%, dibandingkan dengan 58,4% DNN.

Model ABNN tradisional biasanya dilatih dengan data multikapal jika digunakan untuk identifikasi target ganda. Namun, proses ini dapat dengan cepat menjadi mahal dan kompleks. Karena itu, peneliti melatih model ABNN untuk mendeteksi setiap target secara terpisah. Saat lapisan keluaran jaringan diperluas, dataset target individu digabungkan.

“Kebutuhan untuk mendeteksi beberapa kapal sekaligus adalah skenario umum, dan model kami secara signifikan melebihi DNN dalam mendeteksi dua kapal di lokasi yang sama,” kata Ren. “Selain itu, ABNN kami fokus pada fitur bawaan dari kedua kapal secara bersamaan.”