基于注意力的人工深度学习网络可能改进声纳系统

中国和美国的研究人员最近探索了如何使用基于注意力的深度神经网络（ABNN）来改进声纳系统。

该研究发表在美国声学学会的《声学学会杂志》上，由AIP Publishing出版。

Qunyan Ren是该研究的共同作者。

“我们发现ABNN在目标识别方面非常准确，尤其是在使用有限的单目标数据来检测多个目标时，超过了传统的深度神经网络，”Ren说。

深度神经网络和基于注意力的深度神经网络

深度学习是一种机器学习方法，使用人工神经网络来识别模式，依赖于层次结构的人工神经元（节点），这些节点根据前一层的信息学习一组不同的特征。

基于注意力的深度神经网络使用注意力模块来模拟人类认知过程中的某些元素，这些元素帮助我们专注于语言、图像或其他模式的最重要部分，同时忽略其他部分。

基于注意力的深度神经网络通过为某些节点添加更多权重来实现这一点，这增强了机器学习过程中的特定模式元素。

将基于注意力的深度神经网络集成到声纳系统中

通过将基于注意力的深度神经网络系统集成到声纳设备中，以检测目标船只，研究人员能够在南中国海的一个135平方英里的浅水区域测试两艘船。结果与普通深度神经网络（DNN）和其他设备如雷达相比，后者有助于确定测试区域内有17艘干扰船只。

研究人员发现，基于注意力的深度神经网络会随着其预测结果的提高而更加关注与训练目标密切相关的特征。随着网络不断循环训练数据集，检测结果变得更加明显。这加强了加权节点并忽略了不相关的数据。

基于注意力的深度神经网络分别检测船只A和B的准确率略高于深度神经网络，分别达到98%和97.4%。当检测到同一区域内的两艘船只时，基于注意力的深度神经网络的准确率更高，达到74%，而深度神经网络的准确率为58.4%。

传统的基于注意力的深度神经网络模型通常使用多船数据进行多目标识别。但是，这个过程可能会变得昂贵和复杂。因此，研究人员训练基于注意力的深度神经网络模型来分别检测每个目标。随着网络输出层的扩展，单目标数据集合并。

“同时检测多艘船只是一种常见的场景，我们的模型在检测同一区域内的两艘船只方面明显超过了深度神经网络，”Ren说。“此外，我们的基于注意力的深度神经网络同时关注了两艘船只的固有特征。”