Уваго-орієнтовані глибинні мережі можуть покращити сонарні системи

Дослідники в Китаї та США недавно дослідили, як уваго-орієнтована глибинна нейронна мережа (ABNN) може допомогти покращити сонарні системи.

Дослідження було опубліковано в Журналі Акустичного товариства Америки Акустичним товариством Америки через AIP Publishing.

Qunyan Ren є співавтором дослідження.

“Ми виявили, що ABNN була високо точною у розпізнаванні цілей, перевищуючи традиційну глибинну нейронну мережу, особливо при використанні обмежених даних однієї цілі для виявлення декількох цілей”, – сказав Рен.

DNNs і ABNNs

Глибинне навчання, яке є методом машинного навчання, що використовує штучні нейронні мережі для розпізнавання закономірностей, залежить від шарів штучних нейронів (вузлів), які вивчають певний набір ознак на основі інформації, присутньої в попередньому шарі.

Уваго-орієнтовані глибинні нейронні мережі використовують модуль уваги для імітування певних елементів у когнітивному процесі людини. Ці елементи допомагають нам зосередитися на найважливіших частинах мови, зображення чи іншої закономірності, одночасно відключаючи решту.

ABBNs досягають цього шляхом додавання більшої ваги до певних вузлів, що посилює певні елементи закономірності в процесі машинного навчання.

Інкорпорація ABNN у сонар

Інкорпоруючи систему ABNN у сонарне обладнання для цілевої детекції кораблів, команда дослідників змогла протестувати два кораблі на території 135 квадратних миль у Південнокитайському морі. Результати були порівняні з традиційною глибинною нейронною мережею (DNN), а також з іншими обладнаннями, такими як радар, яке допомогло визначити понад 17 перешкод у тестовій зоні.

Дослідники виявили, що ABNN підвищує свої передбачення при рухові до ознак, які тісно корелюють з тренувальними цілями. При циклічному проходженні тренувальної вибірки виявлення стає більш виразним. Це підкреслює вагомі вузли та ігнорує неважливу інформацію.

Точність ABNN у виявленні окремих кораблів А та Б була трохи вищою, ніж у DNN, з показниками 98% та 97,4% відповідно. Коли йшлося про точність ABNN у виявленні обох кораблів у одному районі, вона була ще вищою – 74%, порівняно з 58,4% у DNN.

Традиційна модель ABNN зазвичай тренується на багатоцільових даних, якщо вона використовується для ідентифікації декількох цілей. Однак цей процес може швидко стати дорогим і складним. Через це дослідники тренували модель ABNN для виявлення кожної цілі окремо. При розширенні виходу мережі окремі набори даних цілей зливаються.

“Потрібність виявлення декількох кораблів одночасно – це поширений сценарій, і наша модель значно перевершує DNN у виявленні двох кораблів у одному районі”, – сказав Рен. “Крім того, наша ABNN зосередилася на вбудованих ознаках двох кораблів одночасно”.