تشخیص و طبقه بندی خودکار اهداف سونار غیرفعال با استفاده از یادگیری عمیق نیمه نظارتی، درگاه های توجه و اتصالات جهشی

به دلیل نقش مهم سیگنال های سونار در شناسایی و ردیابی اهداف و اجسامی که درون محیط آبی قرار دارند، وجود سامانه های تشخیص و طبقه بندی کننده این اهداف از اهمیت خاصی برخوردار است. برای انجام تشخیص و طبقه بندی راه های متنوعی وجود دارد. یکی از این راه ها استفاده از سامانه های خودکار هست که به صورت هوشمند اقدام به تشخیص و طبقه بندی اهداف می کنند که هم هزینه کمتری دارند و هم می توانند با دقت های بالا عمل طبقه بندی را انجام دهند.در این پژوهش هدف اصلی تشخیص و طبقه بندی خودکار اهداف در محیط آبی با استفاده از سیگنال های سونار غیرفعال و از طریق شبکه های عصبی عمیق نیمه نظارتی هست. در این پژوهش چند نوع معماری شبکه عصبی ارائه گردیده که با استفاده از مکانیسم های نوین همانند استفاده از درگاه های توجه و اتصالات جهشی، دقت طبقه بندی بالایی را نسبت به روش های موجود داشته و عملکرد قابل قبولی در انجام طبقه بندی دارا می باشند. شبکه پیشنهادی پایه تنها با استفاده از 25% داده بر چسب دار با کسب دقتی معادل 70.17% بر روی دادگان تست توانسته است به میزان 10.59% بهبود را نسبت به دقتی که در مقاله دادگان موردبررسی اعلام شده است، ارائه دهد. همچنین شبکه پیشنهادی دیگر تحت عنوان Attention-Resnet-2 با کسب دقت 71.92% فراتر رفته و این بهبود را به میزان 12.34% رسانده است.