声纳虽好，但海洋噪音太大怎么办？中美科学家开发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，使用受人脑启发的人工神经网络来识别模式。每一层的人工神经元，或称节点，根据前一层所包含的信息学习一套独特的特征。

在水下声学领域，深度学习在改进声纳系统，以探测遇险或受限水域中的船只和潜艇方面，正获得越来越多的关注。然而，当试图检测目标船舶辐射声音时，来自复杂海洋环境的噪声干扰成为一个挑战。

中国和美国的研究人员探索了一种基于注意力的深度神经网络（attention-based deep neural network，ABNN）来解决这个问题。研究人员表示，ABNN在目标识别方面有很高的准确性，超过了传统的深度神经网络，特别是在使用有限的单目标数据来检测多个目标的时候。

ABNN使用一个注意力模块来模仿认知过程中的元素，因此能够专注于图像、语言或其他模式中最重要的部分，并调出其他部分。这是通过在机器学习过程中向某些节点添加更多的权重以增强特定的模式元素来实现的。

将ABNN系统纳入声纳设备进行有针对性的船舶探测，研究人员在中国南海135平方英里的浅水区测试了两艘船。他们将其结果与传统的深度神经网络（DNN）进行了比较。雷达和其他设备被用来确定实验区域内超过17艘的干扰船只。

结果发现ABNN大大增加了它的预测，因为它倾向于与训练目标密切相关的特征。当网络不断地在整个训练数据集中循环时，检测变得更加明显，突出了加权的节点并忽略了不相关的信息。

研究发现，ABNN分别检测船舶A和B的准确率略高于DNN（分别为98%和97.4%）；而在ABNN检测同一附近的两艘船舶的准确率却明显更高（74%和58.4%）。

对于多目标识别，传统的ABNN模型通常使用多船数据进行训练，但这可能是一个复杂且计算成本高的过程。研究人员训练他们的ABNN模型来分别检测每个目标。然后，随着网络输出层的扩展，单个目标数据集会合并。

这个新模型在检测同一附近的两艘船方面明显超过了DNN。此外，这个ABNN系统可以同时关注两艘船的固有特征。

题为Underwater acoustic target recognition using attention-based deep neural network的相关研究论文发表在《JASA Express Letters》上。

前瞻经济学人APP资讯组

论文原文：

https://asa.scitation.org/doi/10.1121/10.0006299

标签： 声纳 中美 深度 注意力