Внимание-ориентированные глубокие обучающие сети могут улучшить системы сонара

Исследователи в Китае и США недавно изучали, как внимание-ориентированная глубокая нейронная сеть (ABNN) может помочь улучшить системы сонара.

Исследование было опубликовано в Журнале Акустического общества Америки Акустическим обществом Америки через AIP Publishing.

Куньян Рен является соавтором исследования.

“Мы обнаружили, что ABNN была очень точной в распознавании целей, превосходя традиционную глубокую нейронную сеть, особенно при использовании ограниченных данных одной цели для обнаружения нескольких целей”, – сказал Рен.

DNN и ABNN

Глубокое обучение, которое является методом машинного обучения, использующим искусственные нейронные сети, работающие для распознавания закономерностей, полагается на слои искусственных нейронов (узлов), которые учатся распознавать определенный набор функций на основе информации, присутствующей в предыдущем слое.

Внимание-ориентированные глубокие нейронные сети используют модуль внимания для имитации определенных элементов в когнитивном процессе человека. Эти элементы помогают нам сосредоточиться на наиболее важных частях языка, изображения или какой-либо другой закономерности, одновременно игнорируя остальное.

ABNN достигают этого, добавляя больше веса к определенным узлам, что усиливает определенные элементы закономерности в процессе машинного обучения.

Интеграция ABNN в сонар

Интегрируя систему ABNN в сонарное оборудование для обнаружения целей, команда исследователей смогла протестировать два корабля в 135-мильной, мелководной области в Южно-Китайском море. Результаты были сравнены с обычной глубокой нейронной сетью (DNN), и другое оборудование, такое как радар, помогло определить более 17 вмешивающихся судов в области, которая была протестирована.

Исследователи обнаружили, что ABNN увеличивает свои прогнозы, когда она приближается к функциям, которые тесно коррелируют с целями обучения. Когда сеть постоянно проходит через набор данных обучения, обнаружение становится более выраженным. Это подчеркивает взвешенные узлы и игнорирует нерелевантные данные.

Точность ABNN в обнаружении кораблей А и Б отдельно была немного выше, чем у DNN, с 98% и 97,4% соответственно. Когда речь шла об обнаружении обоих кораблей в одном районе, она была еще выше – 74%, по сравнению с 58,4% у DNN.

Традиционная модель ABNN обычно обучается с данными нескольких кораблей, если она используется для идентификации нескольких целей. Однако этот процесс может быстро стать дорогим и сложным. Из-за этого исследователи обучили модель ABNN для обнаружения каждой цели отдельно. Когда выходной слой сети расширяется, отдельные наборы данных целей объединяются.

“Необходимость обнаружения нескольких кораблей одновременно является распространенным сценарием, и наша модель значительно превосходит DNN в обнаружении двух кораблей в одном районе”, – сказал Рен. “Более того, наша ABNN сосредоточилась на внутренних характеристиках двух кораблей одновременно.”