深度學習是一種機器學習方法，使用受人腦啟發的人工神經網絡來識別模式。每一層的人工神經元，或稱節點，根據前一層所包含的信息學習一套獨特的特征。

在水下聲學領域，深度學習在改進聲納系統，以探測遇險或受限水域中的船只和潛艇方面，正獲得越來越多的關注。然而，當試圖檢測目標船舶輻射聲音時，來自復雜海洋環境的噪聲干擾成為一個挑戰。

中國和美國的研究人員探索了一種基于注意力的深度神經網絡（attention-based deep neural network，ABNN）來解決這個問題。研究人員表示，ABNN在目標識別方面有很高的準確性，超過了傳統的深度神經網絡，特別是在使用有限的單目標數據來檢測多個目標的時候。

ABNN使用一個注意力模塊來模仿認知過程中的元素，因此能夠專注于圖像、語言或其他模式中最重要的部分，并調出其他部分。這是通過在機器學習過程中向某些節點添加更多的權重以增強特定的模式元素來實現的。

將ABNN系統納入聲納設備進行有針對性的船舶探測，研究人員在中國南海135平方英里的淺水區測試了兩艘船。他們將其結果與傳統的深度神經網絡（DNN）進行了比較。雷達和其他設備被用來確定實驗區域內超過17艘的干擾船只。

結果發現ABNN大大增加了它的預測，因為它傾向于與訓練目標密切相關的特征。當網絡不斷地在整個訓練數據集中循環時，檢測變得更加明顯，突出了加權的節點并忽略了不相關的信息。

研究發現，ABNN分別檢測船舶A和B的準確率略高于DNN（分別為98%和97.4%）；而在ABNN檢測同一附近的兩艘船舶的準確率卻明顯更高（74%和58.4%）。

對于多目標識別，傳統的ABNN模型通常使用多船數據進行訓練，但這可能是一個復雜且計算成本高的過程。研究人員訓練他們的ABNN模型來分別檢測每個目標。然后，隨著網絡輸出層的擴展，單個目標數據集會合并。

這個新模型在檢測同一附近的兩艘船方面明顯超過了DNN。此外，這個ABNN系統可以同時關注兩艘船的固有特征。

題為Underwater acoustic target recognition using attention-based deep neural network的相關研究論文發表在《JASA Express Letters》上。

前瞻經濟學人APP資訊組

論文原文：

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

標簽： 聲納 中美 深度 注意力