La technique d’apprentissage en profondeur détecte mieux les cibles de plusieurs navires que les réseaux conventionnels –
Français
Dans le domaine de l’acoustique sous-marine, l’apprentissage en profondeur gagne du terrain dans l’amélioration des systèmes de sonar pour détecter les navires et les sous-marins en détresse ou dans des eaux restreintes. Cependant, les interférences sonores provenant de l’environnement marin complexe deviennent un défi lorsqu’on tente de détecter les sons ciblés émis par les navires.
Dans le Journal of the Acoustical Society of America, publié par l’Acoustical Society of America via AIP Publishing, des chercheurs en Chine et aux États-Unis explorent un réseau de neurones profonds basé sur l’attention (ABNN) pour résoudre ce problème.
“Nous avons découvert que l’ABNN était très précis dans la reconnaissance des cibles, dépassant un réseau de neurones profonds conventionnel, en particulier lors de l’utilisation de données limitées à cible unique pour détecter plusieurs cibles”, a déclaré le co-auteur Qunyan Ren.
L’apprentissage en profondeur est une méthode d’apprentissage automatique qui utilise des réseaux de neurones artificiels inspirés du cerveau humain pour reconnaître des modèles. Chaque couche de neurones artificiels, ou nœuds, apprend un ensemble distinct de caractéristiques basées sur les informations contenues dans le précédent. couche.
ABNN utilise un module d’attention pour imiter les éléments du processus cognitif qui nous permettent de nous concentrer sur les parties les plus importantes d’une image, d’un langage ou d’un autre modèle et d’éliminer le reste. Ceci est accompli en ajoutant plus de poids à certains nœuds pour améliorer des éléments de modèle spécifiques dans le processus d’apprentissage automatique.
Intégrant un système ABNN dans un équipement sonar pour la détection ciblée de navires, les chercheurs ont testé deux navires dans une zone peu profonde de 135 milles carrés de la mer de Chine méridionale. Ils ont comparé leurs résultats avec un réseau neuronal profond (DNN) typique. Le radar et d’autres équipements ont été utilisés pour déterminer plus de 17 navires brouilleurs dans la zone expérimentale.
Ils ont découvert que l’ABNN augmente considérablement ses prédictions car il gravite vers les caractéristiques étroitement corrélées aux objectifs d’entraînement. La détection devient plus prononcée à mesure que le réseau parcourt continuellement l’ensemble de données d’entraînement, accentuant les nœuds pondérés et ignorant les informations non pertinentes.
Alors que la précision ABNN de la détection des navires A et B séparément était légèrement supérieure à celle du DNN (respectivement 98 % et 97,4 %), la précision ABNN de la détection des deux navires dans le même voisinage était significativement plus élevée (74 % et 58,4 %).
Pour l’identification de cibles multiples, un modèle ABNN traditionnel est généralement formé à l’aide de données multi-navire, mais cela peut être un processus compliqué et coûteux en calcul. Les chercheurs ont entraîné leur modèle ABNN à détecter chaque cible séparément. Les ensembles de données cibles individuelles fusionnent ensuite à mesure que la couche de sortie du réseau est étendue.
“La nécessité de détecter plusieurs navires à la fois est un scénario courant, et notre modèle dépasse considérablement DNN en détectant deux navires dans le même voisinage”, a déclaré Ren. “De plus, notre ABNN s’est concentré sur les caractéristiques inhérentes des deux navires simultanément.”
Source de l’histoire :
Matériaux fourni par Institut américain de physique. Remarque : Le contenu peut être modifié pour le style et la longueur.
