Rețelele de învățare profundă bazate pe atenție ar putea îmbunătăți sistemele de sonar

Cercetătorii din China și Statele Unite au explorat recent modul în care o rețea neuronală profundă bazată pe atenție (ABNN) ar putea ajuta la îmbunătățirea sistemelor de sonar.

Cercetarea a fost publicată în Journal of the Acoustical Society of America de către Acoustical Society of America prin AIP Publishing.

Qunyan Ren este coautor al cercetării.

“Am descoperit că ABNN a fost foarte precis în recunoașterea țintelor, depășind o rețea neuronală profundă convențională, în special atunci când se utilizează date cu ținte unice limitate pentru a detecta multiple ținte”, a spus Ren.

Rețele neuronale profunde și ABNN

Învățarea profundă, care este o metodă de învățare automată care utilizează rețele neuronale artificiale care lucrează pentru a recunoaște modele, se bazează pe straturi de neuroni artificiali (noduri) care învață un set distinct de caracteristici pe baza informațiilor prezente în stratul anterior.

Rețelele neuronale profunde bazate pe atenție utilizează un modul de atenție pentru a imita anumite elemente din procesul cognitiv uman. Aceste elemente ajută în special să ne concentrăm pe cele mai importante părți ale limbajului, unei imagini sau ale unui anumit model, în timp ce ignorăm restul.

ABNN realizează acest lucru prin adăugarea de greutate la anumite noduri, ceea ce întărește anumite elemente de model în procesul de învățare automată.

Incorporarea ABNN în sonar

Prin incorporarea unui sistem ABNN în echipamentele de sonar pentru detectarea țintelor navale, echipa de cercetători a putut testa două nave într-o zonă de 135 de mile pătrate, în Marea Chinei de Sud. Rezultatele au fost comparate cu o rețea neuronală profundă convențională (DNN) și cu alte echipamente, cum ar fi radarul, care a ajutat la detectarea a peste 17 vase care interferează în zona testată.

Cercetătorii au descoperit că ABNN crește predicțiile sale pe măsură ce se apropie de caracteristicile care se corelează îndeaproape cu obiectivele de antrenare. Pe măsură ce rețeaua parcurge în mod constant setul de date de antrenare, detectarea devine mai pronunțată. Acest lucru accentuează nodurile ponderate și ignoră datele irelevante.

Precizia ABNN în detectarea navelor A și B separate a fost ușor mai mare decât cea a DNN, cu 98% pentru ABNN și 97,4% pentru DNN. Atunci când a venit vorba de precizia ABNN în detectarea ambelor nave în aceeași zonă, a fost și mai mare, de 74%, comparativ cu 58,4% pentru DNN.

Un model ABNN tradițional este de obicei antrenat cu date multiship dacă este utilizat pentru identificarea multiplă a țintelor. Cu toate acestea, acest proces poate deveni rapid costisitor și complex. Din cauza acestui fapt, cercetătorii au antrenat modelul ABNN pentru a detecta fiecare țintă în mod separat. Pe măsură ce stratul de ieșire al rețelei este extins, seturile de date cu ținte individuale se contopesc.

“Nevoia de a detecta multiple nave în același timp este un scenariu comun, iar modelul nostru depășește semnificativ DNN în detectarea a două nave în aceeași zonă”, a spus Ren. “Mai mult, ABNN nostru s-a concentrat asupra caracteristicilor intrinseci ale celor două nave în același timp.”