Uppmärksamhetsbaserade djupinlärningsnätverk kan förbättra sonarsystem

Forskare i Kina och USA har nyligen undersökt hur ett uppmärksamhetsbaserat djupinlärningsnätverk (ABNN) kan hjälpa till att förbättra sonarsystem.

Forskningen publicerades i tidskriften Journal of the Acoustical Society of America av den akustiska sällskapet i Amerika genom AIP Publishing.

Qunyan Ren är medförfattare till forskningen.

“Vi fann att ABNN var mycket exakt i måligenkänning, överträffade en konventionell djupinlärningsnätverk, särskilt när man använde begränsade enkelmål-data för att upptäcka flera mål”, sa Ren.

DNN och ABNN

Djupinlärning, som är en maskinlärningsmetod som använder artificiella neuronnät som fungerar för att känna igen mönster, förlitar sig på lager av artificiella neuroner (noder) som lär sig en distinkt uppsättning funktioner baserat på den information som finns i det föregående lagret.

Uppmärksamhetsbaserade djupinlärningsnätverk använder en uppmärksamhetsmodul för att härma vissa element i den kognitiva processen hos människor. Dessa element hjälper specifikt oss att fokusera på de viktigaste delarna av språk, en bild eller något annat mönster medan vi stänger av resten.

ABNN uppnår detta genom att lägga till mer vikt till vissa noder, vilket förbättrar specifika mönster-element i maskinlärningsprocessen.

Integrering av ABNN i sonar

Genom att integrera ett ABNN-system i sonarutrustning för målinriktad fartygssökning kunde forskargruppen testa två fartyg i ett 135 kvadratmil stort, grunt område i Sydkinesiska havet. Resultaten jämfördes med ett vanligt djupinlärningsnätverk (DNN) och annan utrustning som radar hjälpte till att bestämma över 17 störande fartyg i det testade området.

Forskarna fann att ABNN ökar sina förutsägelser när det närmar sig de funktioner som starkt korrelerar med utbildningsmålen. När nätverket kontinuerligt cirkulerar genom utbildningsdatamängden blir upptäckten mer uttalad. Detta betonar de viktade noderna och bortser från irrelevant data.

ABNN:s noggrannhet för att upptäcka fartyg A och B separat var något högre än DNN, med 98 % respektive 97,4 %. När det gällde ABNN:s noggrannhet för att upptäcka båda fartygen i samma närhet var den ännu högre, 74 %, jämfört med DNN:s 58,4 %.

En traditionell ABNN-modell tränas vanligtvis med multifynddata om den används för flera målidentifieringar. Detta förfarande kan dock snabbt bli dyrt och komplext. På grund av detta tränade forskarna ABNN-modellen för att upptäcka varje mål separat. När utmatningslagret i nätverket utökas, slås de enskilda måldatamängderna samman.

“Behovet av att upptäcka flera fartyg samtidigt är ett vanligt scenario, och vår modell överträffar betydligt DNN när det gäller att upptäcka två fartyg i samma närhet”, sa Ren. “Dessutom fokuserade vår ABNN på de inneboende funktionerna hos de två fartygen samtidigt.”