Aandacht-gebaseerde diepe leer netwerken kunnen sonar systemen verbeteren

Onderzoekers in China en de Verenigde Staten hebben onlangs onderzocht hoe een aandacht-gebaseerd diep neuronennetwerk (ABNN) sonar systemen kan helpen verbeteren.

Het onderzoek werd gepubliceerd in de Journal of the Acoustical Society of America door de Acoustical Society of America via AIP Publishing.

Qunyan Ren is co-auteur van het onderzoek.

“We vonden dat de ABNN zeer nauwkeurig was in doelherkenning, waarbij een conventioneel diep neuronennetwerk werd overtroffen, vooral bij het gebruik van beperkte enkele-doelgegevens om meerdere doelen te detecteren,” zei Ren.

DNN’s en ABNN’s

Diepe leer, een machine-leer methode die gebruik maakt van kunstmatige neuronennetwerken die werken om patronen te herkennen, is afhankelijk van lagen van kunstmatige neuronen (knooppunten) die een distincte set van kenmerken leren op basis van de informatie in de vorige laag.

Aandacht-gebaseerde diepe neuronennetwerken gebruiken een aandachtmodule om bepaalde elementen in het cognitieve proces van de mens na te bootsen. Deze elementen helpen ons specifiek om ons te concentreren op de meest belangrijke delen van taal, een afbeelding of een patroon, terwijl we de rest negeren.

ABNN’s bereiken dit door meer gewicht toe te kennen aan bepaalde knooppunten, waardoor specifieke patroonelementen in het machine-leerproces worden versterkt.

ABNN integreren in sonar

Door een ABNN-systeem te integreren in sonarapparatuur voor gerichte scheepsdetectie, kon het team van onderzoekers twee schepen testen in een gebied van 135 vierkante mijl in de Zuid-Chinese Zee. De resultaten werden vergeleken met een regulier diep neuronennetwerk (DNN) en andere apparaten zoals radar hielpen om meer dan 17 storende schepen in het geteste gebied te bepalen.

De onderzoekers vonden dat de ABNN zijn voorspellingen verhoogt naarmate hij naar de kenmerken beweegt die nauw samenhangen met de trainingsdoelen. Naarmate het netwerk doorlopend door de trainingsdataset cyclus, wordt de detectie meer uitgesproken. Dit benadrukt de gewogen knooppunten en negeert irrelevante gegevens.

De nauwkeurigheid van de ABNN bij het detecteren van schepen A en B afzonderlijk was iets hoger dan die van de DNN, met respectievelijk 98% en 97,4%. Bij het detecteren van beide schepen in hetzelfde gebied was de nauwkeurigheid van de ABNN nog hoger, namelijk 74%, in vergelijking met 58,4% voor de DNN.

Een traditioneel ABNN-model wordt meestal getraind met meerdere scheepsgegevens als het wordt gebruikt voor meerdere doelidentificatie. Dit proces kan echter snel duur en complex worden. Daarom trainden de onderzoekers het ABNN-model om elk doel afzonderlijk te detecteren. Naarmate de uitvoerlaag van het netwerk wordt uitgebreid, worden de enkele-doelgegevens samengevoegd.

“De noodzaak om meerdere schepen tegelijk te detecteren is een gebruikelijke scenario, en ons model overtreft de DNN aanzienlijk bij het detecteren van twee schepen in hetzelfde gebied,” zei Ren. “Bovendien richtte onze ABNN zich op de inherente kenmerken van de twee schepen tegelijkertijd.”