تشخیص و طبقه‌بندی خودکار اهداف سونار غیرفعال با استفاده از یادگیری عمیق نیمه نظارتی، درگاه‌های توجه و اتصالات جهشی

به دلیل نقش مهم سیگنال‌های سونار در شناسایی و ردیابی اهداف و اجسامی که درون محیط آبی قرار دارند، وجود سامانه‌های تشخیص و طبقه‌بندی کننده این اهداف از اهمیت خاصی برخوردار است. برای انجام تشخیص و طبقه‌بندی راه‌های متنوعی وجود دارد. یکی از این راه‌ها استفاده از سامانه‌های خودکار هست که به‌صورت هوشمند اقدام به تشخیص و طبقه‌بندی اهداف می‌کنند که هم هزینه کمتری دارند و هم می‌توانند با دقت‌های بالا عمل طبقه‌بندی را انجام دهند.در این پژوهش هدف اصلی تشخیص و طبقه‌بندی خودکار اهداف در محیط آبی با استفاده از سیگنال‌های سونار غیرفعال و از طریق شبکه‌های عصبی عمیق نیمه نظارتی هست. در این پژوهش چند نوع معماری شبکه عصبی ارائه گردیده که با استفاده از مکانیسم‌های نوین همانند استفاده از درگاه‌های توجه و اتصالات جهشی، دقت طبقه‌بندی بالایی را نسبت به روش‌های موجود داشته و عملکرد قابل قبولی در انجام طبقه‌بندی دارا می‌باشند. شبکه پیشنهادی پایه تنها با استفاده از 25% داده بر چسب‌دار 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 اعلام‌شده 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.