Redes Neurais Profundas Baseadas em Atenção Podem Melhorar Sistemas de Sonar

Pesquisadores na China e nos Estados Unidos recentemente exploraram como uma rede neural profunda baseada em atenção (ABNN) pode ajudar a melhorar sistemas de sonar.

A pesquisa foi publicada na Journal of the Acoustical Society of America pela Acoustical Society of America através da AIP Publishing.

Qunyan Ren é coautor da pesquisa.

“Descobrimos que a ABNN foi altamente precisa no reconhecimento de alvos, excedendo uma rede neural profunda convencional, particularmente quando usando dados de único alvo limitados para detectar vários alvos”, disse Ren.

DNNs e ABNNs

A aprendizagem profunda, que é um método de aprendizado de máquina que usa redes neurais artificiais que funcionam para reconhecer padrões, depende de camadas de neurônios artificiais (nós) que aprendem um conjunto distinto de recursos com base nas informações presentes na camada anterior.

As redes neurais profundas baseadas em atenção usam um módulo de atenção para imitar certos elementos no processo cognitivo humano. Esses elementos ajudam especificamente a nos concentrarmos nas partes mais importantes de uma linguagem, uma imagem ou algum outro padrão, enquanto desconsideramos o restante.

As ABNNs alcançam isso adicionando mais peso a certos nós, o que melhora elementos de padrão específicos no processo de aprendizado de máquina.

Incorporando ABNN em Sonar

Ao incorporar um sistema ABNN em equipamentos de sonar para detecção de navios direcionada, a equipe de pesquisadores foi capaz de testar dois navios em uma área rasa de 135 milhas quadradas no Mar da China Meridional. Os resultados foram comparados com uma rede neural profunda regular (DNN) e outros equipamentos, como radar, que ajudaram a determinar mais de 17 navios interferentes na área testada.

Os pesquisadores descobriram que a ABNN aumenta suas previsões à medida que se aproxima dos recursos que se correlacionam estreitamente com os objetivos de treinamento. À medida que a rede continua a percorrer o conjunto de dados de treinamento, a detecção se torna mais pronunciada. Isso realça os nós ponderados e desconsidera dados irrelevantes.

A precisão da ABNN em detectar os navios A e B separadamente foi ligeiramente superior à da DNN, com a primeira alcançando 98% e a segunda 97,4%. Quando se tratou da precisão da ABNN em detectar ambos os navios na mesma vizinhança, foi ainda mais alta, atingindo 74%, em comparação com 58,4% da DNN.

Um modelo ABNN tradicional geralmente é treinado com dados mult navios se for usado para identificação de vários alvos. No entanto, esse processo pode se tornar rapidamente caro e complexo. Por causa disso, os pesquisadores treinaram o modelo ABNN para detectar cada alvo separadamente. À medida que a camada de saída da rede é estendida, os conjuntos de dados de alvo individual se mesclam.

“A necessidade de detectar vários navios ao mesmo tempo é um cenário comum, e nosso modelo excede significativamente a DNN na detecção de dois navios na mesma vizinhança”, disse Ren. “Além disso, nossa ABNN se concentrou nos recursos inerentes dos dois navios simultaneamente.”