Oppmerksomhetsbaserte dypinne-læringsnettverk kan forbedre sonarsystemer

Forskere i Kina og USA har nylig utforsket hvordan et oppmerksomhetsbasert dypinne-læringsnettverk (ABNN) kan hjelpe med å forbedre sonarsystemer.

Forskningen ble publisert i Journal of the Acoustical Society of America av Acoustical Society of America gjennom AIP Publishing.

Qunyan Ren er medforfatter av forskningen.

“Vi fant at ABNN var svært nøyaktig i målgenkjenning, og overgikk en konvensjonell dypinne-læringsnettverk, særlig når det ble brukt begrenset enkeltmål-data for å detektere flere mål,” sa Ren.

DNNs og ABNNs

Dypinne-læring, som er en maskinlæringsmetode som bruker kunstige neurale nettverk som arbeider for å gjenkjenne mønster, baserer seg på lag av kunstige neuroner (noder) som lærer en distinkt sett av egenskaper basert på informasjonen i det forrige laget.

Oppmerksomhetsbaserte dypinne-læringsnettverk bruker en oppmerksomhetsmodul for å etterligne visse elementer i den kognitive prosessen hos mennesker. Disse elementene hjelper oss spesifikt med å fokusere på de viktigste delene av språk, et bilde eller et annet mønster, samtidig som vi tuner ut resten.

ABNNs oppnår dette ved å legge til mer vekt til visse noder, som forbedrer bestemte mønsteregenskaper i maskinlæringsprosessen.

Innkorporering av ABNN i sonar

Ved å inkorporere et ABNN-system i sonarutstyr for målrettede skipssøk, kunne forskergruppen teste to skip i et 135 kvadratmile stort, grunt område i Sør-Kina-havet. Resultatene ble sammenlignet med et vanlig dypinne-læringsnettverk (DNN), og andre utstyr som radar hjalp med å bestemme over 17 interfererende fartøy i området som ble testet.

Forskerne fant at ABNN øker sine prediksjoner når det beveger seg mot egenskaper som korrelerer nært med treningmålene. Når nettverket sykluser gjennom treningssammenstillingen, blir detektering mer uttalt. Dette aksenterer de vektede nodene og ignorerer irrelevant data.

ABNN-nøyaktigheten for å detektere skip A og B separat var litt høyere enn DNN, med henholdsvis 98% og 97,4%. Når det kom til ABNN-nøyaktigheten for å detektere begge skip i samme nærhet, var den enda høyere, på 74%, sammenlignet med DNNs 58,4%.

En tradisjonell ABNN-modell blir vanligvis trent med flerskip-data hvis den brukes for flermål-identifikasjon. Imidlertid kan denne prosessen raskt bli kostbar og kompleks. Forskerne trente derfor ABNN-modellen for å detektere hvert mål separat. Når utgangslaget til nettverket utvides, slås de enkeltmål-sammenstillingene sammen.

“Behovet for å detektere flere skip samtidig er en vanlig scenario, og vår modell overgår betydelig DNN i å detektere to skip i samme nærhet,” sa Ren. “I tillegg fokuserte vår ABNN på de innebygde egenskapene til de to skipene samtidig.”