Le reti neurali profonde basate sull’attenzione potrebbero migliorare i sistemi sonar

I ricercatori in Cina e negli Stati Uniti hanno recentemente esplorato come una rete neurale profonda basata sull’attenzione (ABNN) potrebbe aiutare a migliorare i sistemi sonar.

La ricerca è stata pubblicata sulla Rivista della Società Acustica d’America dalla Società Acustica d’America attraverso AIP Publishing.

Qunyan Ren è coautore della ricerca.

“Abbiamo trovato che l’ABNN era altamente preciso nel riconoscimento degli obiettivi, superando una rete neurale profonda convenzionale, in particolare quando si utilizzano dati di un singolo obiettivo limitati per rilevare più obiettivi”, ha detto Ren.

DNN e ABNN

L’apprendimento profondo, che è un metodo di apprendimento automatico che utilizza reti neurali artificiali che lavorano per riconoscere modelli, si basa su livelli di neuroni artificiali (nodi) che apprendono un insieme distinto di caratteristiche in base alle informazioni presenti nel livello precedente.

Le reti neurali profonde basate sull’attenzione utilizzano un modulo di attenzione per mimare certi elementi nel processo cognitivo umano. Questi elementi aiutano specificamente a concentrarsi sulle parti più importanti del linguaggio, di un’immagine o di un altro modello mentre si escludono le restanti parti.

Gli ABNN raggiungono questo obiettivo aggiungendo più peso a certi nodi, che aumenta gli elementi di modello specifici nel processo di apprendimento automatico.

Incorporazione di ABNN nel sonar

Incorporando un sistema ABNN nell’attrezzatura sonar per la rilevazione di navi bersaglio, il team di ricercatori è stato in grado di testare due navi in un’area di 135 miglia quadrate, poco profonda, nel Mar Cinese Meridionale. I risultati sono stati confrontati con una rete neurale profonda (DNN) regolare e altri dispositivi come il radar hanno aiutato a determinare oltre 17 navi interferenti nell’area testata.

I ricercatori hanno scoperto che l’ABNN aumenta le sue previsioni mentre si avvicina alle caratteristiche che si correlano strettamente con gli obiettivi di formazione. Mentre la rete continua a ciclare attraverso il set di dati di formazione, la rilevazione diventa più pronunciata. Ciò accentua i nodi pesati e trascura i dati irrilevanti.

La precisione dell’ABNN nel rilevamento delle navi A e B separatamente era leggermente superiore a quella della DNN, con la prima che raggiungeva il 98% e la seconda il 97,4%. Quando si trattava della precisione dell’ABNN nel rilevamento di entrambe le navi nella stessa zona, era ancora più alta al 74%, rispetto al 58,4% della DNN.

Un modello ABNN tradizionale viene solitamente addestrato con dati multiship se viene utilizzato per l’identificazione di più obiettivi. Tuttavia, questo processo può diventare rapidamente costoso e complesso. A causa di ciò, i ricercatori hanno addestrato il modello ABNN per rilevare ogni obiettivo separatamente. Mentre il livello di output della rete viene esteso, i set di dati degli obiettivi individuali si fondono.

“La necessità di rilevare più navi contemporaneamente è uno scenario comune e il nostro modello supera notevolmente la DNN nel rilevamento di due navi nella stessa zona”, ha detto Ren. “Inoltre, il nostro ABNN si è concentrato sulle caratteristiche innate delle due navi contemporaneamente”.