Sieci głębokiego uczenia z uwzględnieniem uwagi mogą poprawić systemy sonarowe

Naukowcy z Chin i Stanów Zjednoczonych niedawno zbadali, jak sieć neuronowa głębokiego uczenia z uwzględnieniem uwagi (ABNN) może pomóc w poprawie systemów sonarowych.

Badanie zostało opublikowane w Journal of the Acoustical Society of America przez Acoustical Society of America za pośrednictwem AIP Publishing.

Qunyan Ren jest współautorem badań.

“Stwierdziliśmy, że ABNN jest bardzo dokładny w rozpoznawaniu celów, przewyższając konwencjonalną sieć neuronową głębokiego uczenia, szczególnie przy użyciu ograniczonych danych jednego celu do wykrywania wielu celów”, powiedział Ren.

Sieci neuronowe głębokiego uczenia i ABNN

Głębokie uczenie, które jest metodą uczenia maszynowego, wykorzystuje sztuczne sieci neuronowe, które pracują nad rozpoznawaniem wzorców, opiera się na warstwach sztucznych neuronów (węzłów), które uczą się odrębnego zestawu cech na podstawie informacji zawartych w poprzedniej warstwie.

Sieci neuronowe głębokiego uczenia z uwzględnieniem uwagi wykorzystują moduł uwagi, aby naśladować pewne elementy w procesie poznawczym ludzi. Elementy te pomagają nam skoncentrować się na najważniejszych częściach języka, obrazu lub innego wzorca, jednocześnie wyłączając resztę.

ABBN osiąga to, dodając większy ciężar do pewnych węzłów, co wzmacnia określone elementy wzorca w procesie uczenia maszynowego.

Włączanie ABNN do systemów sonarowych

Poprzez włączenie systemu ABNN do sprzętu sonarowego do wykrywania celów, zespół naukowców był w stanie przetestować dwa statki w obszarze o powierzchni 135 mil kwadratowych, w płytkim obszarze Morza Południowochińskiego. Wyniki zostały porównane z zwykłą siecią neuronową głębokiego uczenia (DNN) oraz innym sprzętem, takim jak radar, który pomógł określić ponad 17 statków zakłócających w badanym obszarze.

Naukowcy stwierdzili, że ABNN zwiększa swoje przewidywania, gdy zbliża się do cech, które ściśle korelują z celami szkoleniowymi. Podczas gdy sieć ciągle przechodzi przez zestaw danych szkoleniowych, wykrywanie staje się bardziej wyraźne. To podkreśla węzły ważone i ignoruje nieistotne dane.

Dokładność ABNN w wykrywaniu statków A i B oddzielnie była nieco wyższa niż DNN, przy czym pierwszy osiągnął 98%, a drugi 97,4%. Gdy chodzi o dokładność ABNN w wykrywaniu obu statków w tym samym obszarze, była jeszcze wyższa i wyniosła 74%, w porównaniu z 58,4% DNN.

Tradycyjny model ABNN jest zwykle szkolony z danymi wielu statków, jeśli jest używany do identyfikacji wielu celów. Jednak proces ten może szybko stać się kosztowny i złożony. Dlatego naukowcy szkolili model ABNN do wykrywania każdego celu oddzielnie. Gdy warstwa wyjściowa sieci jest rozszerzona, zestawy danych celów indywidualnych łączą się.

“Potrzeba wykrywania wielu statków w tym samym czasie jest powszechnym scenariuszem, a nasz model znacznie przewyższa DNN w wykrywaniu dwóch statków w tym samym obszarze”, powiedział Ren. “Ponadto nasz ABNN skupił się na wewnętrznych cechach obu statków jednocześnie.”