Dikkat Tabanlı Derin Öğrenme Ağları Sonar Sistemlerini İyileştirebilir

Çin ve Amerika Birleşik Devletleri’ndeki araştırmacılar, bir dikkat tabanlı derin sinir ağı (ABNN) nasıl sonar sistemlerini iyileştirebileceğini keşfettiler.

Araştırma, Akustik Topluluğu Amerika tarafından AIP Publishing aracılığıyla Akustik Topluluğu Amerika Dergisi‘nde yayınlandı.

Qunyan Ren araştırmanın ortak yazarı.

“Tek hedefli sınırlı veri kullanarak birden fazla hedefi tespit etme konusunda ABNN’nin geleneksel bir derin sinir ağından daha doğru olduğunu bulduk” dedi Ren.

DNN’ler ve ABNN’ler

Derin öğrenme, desenleri tanımak için yapay sinir ağları kullanan bir makine öğrenimi yöntemidir ve her bir katmanda önceki katmandaki bilgilere dayalı olarak farklı bir dizi özellik öğrenen yapay nöronlar (nöronlar) kullanır.

Dikkat tabanlı derin sinir ağları, insan bilişsel sürecindeki belirli unsurları taklit etmek için bir dikkat modülünü kullanır. Bu unsurlar, dilin, bir görüntünün veya bir desenin en önemli kısımlarına odaklanmamıza ve geri kalanını göz ardı etmemize yardımcı olur.

ABNN’ler, belirli düğümlere daha fazla ağırlık ekleyerek makine öğrenimi sürecindeki belirli desen unsurlarını güçlendirerek bunu gerçekleştirir.

Sonara ABNN’yi Entegre Etme

Araştırmacılar, hedefli gemi tespiti için sonar ekipmanlarına bir ABNN sistemi entegre etti ve Güney Çin Denizi’ndeki 135 mil karelik sığ bir alanda iki gemiyi test etti. Sonuçlar, bir derin sinir ağı (DNN) ile karşılaştırıldı ve diğer ekipmanlar gibi radar, test edilen alanda 17’den fazla müdahale eden gemiyi belirlemeye yardımcı oldu.

Araştırmacılar, ABNN’nin eğitim hedefleriyle yakından ilgili özelliklere doğru ilerledikçe tahminlerini artırdığını buldu. Ağ, eğitim veri kümesini sürekli olarak döndükçe, tespit daha belirgin hale gelir. Bu, ağırlıklı düğümleri vurgular ve alakasız verileri göz ardı eder.

A ve B gemilerini ayrı ayrı tespit etme konusunda ABNN’nin doğruluğu, %98 ile %97,4 arasında slightly daha yüksek iken, aynı bölgede her iki gemiyi tespit etme doğruluğu %74 ile %58,4 arasında daha yüksekti.

Geleneksel bir ABNN modeli genellikle çoklu hedef tanımlama için çoklu gemi verisiyle eğitilir. Ancak bu süreç hızlı bir şekilde pahalı ve karmaşık hale gelebilir. Araştırmacılar, her hedefi ayrı ayrı tespit etmek için ABNN modelini eğittiler. Ağın çıktı katmanı uzatıldıkça, tek hedefli veri kümeleri birleşir.

“Birden fazla gemiyi aynı anda tespit etme ihtiyacı yaygın bir senaryodur ve modelimiz, aynı bölgede iki gemiyi tespit etme konusunda DNN’yi önemli ölçüde aşmaktadır” dedi Ren. “Ayrıca, ABNN’miz iki geminin içsel özelliklerine aynı anda odaklandı.”