주의 기반 딥 러닝 네트워크가 소나 시스템을 개선할 수 있음

중국과 미국의 연구자들은 최근에 주의 기반 딥 뉴럴 네트워크(ABNN)를 사용하여 소나 시스템을 개선하는 방법을 탐구했습니다.

이 연구는 미국 음향 학회(Acoustical Society of America)가 AIP Publishing을 통해 출판한 Journal of the Acoustical Society of America에 발표되었습니다.

Qunyan Ren은 이 연구의 공동 저자입니다.

“우리는 ABNN이 목표 인식에서 매우 정확하다는 것을 발견했으며, 특히 한 개의 목표 데이터만을 사용하여 여러 목표를 감지할 때 기존의 딥 뉴럴 네트워크보다 더 뛰어나다는 것을 발견했습니다.”라고 Ren은 말했습니다.

DNN과 ABNN

딥 러닝은 인공 신경 네트워크를 사용하여 패턴을 인식하는 기계 학습 방법으로, 이전 레이어의 정보를 기반으로 각기 다른 특징을 학습하는 인공 뉴런(노드) 레이어로 구성됩니다.

주의 기반 딥 뉴럴 네트워크는 주의 모듈을 사용하여 인간의 인지 과정에서 특정 요소를 모방합니다. 이러한 요소는 언어, 이미지 또는 다른 패턴의 가장 중요한 부분에 집중하고 나머지 부분을 무시하는 데 도움이 됩니다.

ABNN은 이러한 기능을 달성하기 위해 특정 노드에 더 많은 가중치를 부여하여 기계 학습 과정에서 특정 패턴 요소를 강조합니다.

ABNN을 소나에 통합

연구자들은 ABNN 시스템을 목표 선박 감지를 위한 소나 장비에 통합하여 남중국해의 135제곱마일의 얕은 지역에서 두艘의 선박을 테스트했습니다. 결과는 정상적인 딥 뉴럴 네트워크(DNN)와 비교되었으며, 레이더와 같은 다른 장비는 테스트된 지역에서 17개의 간섭 선박을 확인하는 데 도움이 되었습니다.

연구자들은 ABNN이 예측을 향상시키고 훈련 목표와密接하게 관련된 특징으로 이동함에 따라 감지율이 더 높아진다는 것을 발견했습니다. 네트워크가 훈련 데이터 세트를 반복적으로 순환할수록 감지율이 더 명확해지고, 가중 노드는 강조되고 관련 없는 데이터는 무시됩니다.

ABNN은 각각 98%와 97.4%의 정확도로 선박 A와 B를 개별적으로 감지하는 데 더 높은 정확도를 보였습니다. 두艘의 선박을 동일한 지역에서 감지하는 경우, ABNN의 정확도는 74%로 DNN의 58.4%보다 더 높았습니다.

전통적인 ABNN 모델은 일반적으로 여러 목표를 식별하는 경우에 여러艘의 선박 데이터로 훈련됩니다. 그러나 이러한 과정은 빠르게 비용이 많이 들고 복잡해질 수 있습니다. 따라서 연구자들은 ABNN 모델을 각 목표를 개별적으로 감지하도록 훈련했습니다. 네트워크의 출력 레이어가 확장됨에 따라 개별 목표 데이터 세트가 병합됩니다.

“한 번에 여러艘의 선박을 감지하는 필요는 일반적인 시나리오이며, 우리의 모델은 동일한 지역에서 두艘의 선박을 감지하는 경우에 DNN을 크게 초과합니다.”라고 Ren은 말했습니다. “또한, 우리의 ABNN은 두艘의 선박의 내재된 특징에 동시에 집중했습니다.”