تشخيص و طبقه‌بندي خودكار اهداف سونار غيرفعال با استفاده از يادگيري عميق نيمه نظارتي، درگاه‌هاي توجه و اتصالات جهشي

به دليل نقش مهم سيگنال‌هاي سونار در شناسايي و رديابي اهداف و اجسامي كه درون محيط آبي قرار دارند، وجود سامانه‌هاي تشخيص و طبقه‌بندي كننده اين اهداف از اهميت خاصي برخوردار است. براي انجام تشخيص و طبقه‌بندي راه‌هاي متنوعي وجود دارد. يكي از اين راه‌ها استفاده از سامانه‌هاي خودكار هست كه به‌صورت هوشمند اقدام به تشخيص و طبقه‌بندي اهداف مي‌كنند كه هم هزينه كمتري دارند و هم مي‌توانند با دقت‌هاي بالا عمل طبقه‌بندي را انجام دهند.در اين پژوهش هدف اصلي تشخيص و طبقه‌بندي خودكار اهداف در محيط آبي با استفاده از سيگنال‌هاي سونار غيرفعال و از طريق شبكه‌هاي عصبي عميق نيمه نظارتي هست. در اين پژوهش چند نوع معماري شبكه عصبي ارائه گرديده كه با استفاده از مكانيسم‌هاي نوين همانند استفاده از درگاه‌هاي توجه و اتصالات جهشي، دقت طبقه‌بندي بالايي را نسبت به روش‌هاي موجود داشته و عملكرد قابل قبولي در انجام طبقه‌بندي دارا مي‌باشند. شبكه پيشنهادي پايه تنها با استفاده از 25% داده بر چسب‌دار با كسب دقتي معادل 70.17% بر روي دادگان تست توانسته است به ميزان 10.59% بهبود را نسبت به دقتي كه در مقاله دادگان موردبررسي اعلام‌شده است، ارائه دهد. همچنين شبكه پيشنهادي ديگر تحت عنوان Attention-Resnet-2 با كسب دقت 71.92% فراتر رفته و اين بهبود را به ميزان 12.34% رسانده است.