تقویت دادگان آموزشی سوناری جهت بهبود طبقه‌بندی‌کننده‌ی شبکه عصبی عمیق مبتنی بر یادگیری انتقالی.

سونار،تکنولوژیِ انتشار سیگنال، زیر و یا روی سطح آب به منظور شناسایی، مکان‌یابی، طبقه‌بندی و آشکار‌سازی اهداف دریایی است. امروزه با پیشرفت صنایع دریائی به ویژه علوم نظامی دریائی، طبقه‌بندی و شناخت اهداف سوناری اهمیت زیادی یافته است. یکی از چالش‌های طبقه‌بندی دادگان سوناری، کمبودِ تعدادِ دادگان واقعیِ در دسترس برای آموزش و ارزیابی عملکرد طبقه‌بندی‌کننده ها است. برای حل این مساله راه‌حل‌هایی از قبیل تولید داده‌های شبیه‌سازیِ مصنوعی ویا تقویت و ترکیب داده‌های واقعی و تولید داده‌های جدید با استفاده از آن‌ها پیشنهاد می‌شود. در این مقاله، در چارچوب طبقه‌بندی دادگان سوناری، الگوریتم‌هایی جهت تقویت و افزایش دادگان صوتی معرفی شده و تاثیر این الگوریتمها بر عملکرد شبکه عصبی مصنوعی بررسی میشود. یادگیری انتقالی در شبکههای عصبی از دیگر راهکارهایی است که از آن برای مواجهه با مشکل کمبود دادگان استفاده میشود. در این پژوهش از ترکیب دو شیوهی یادگیری انتقالی و تقویت دادههای آموزشی در ساختار شبکههای عصبی کانولوشنی استفاده شده است. نتایج حاصله، موید تاثیر خوب روشهای پیشنهادی به کار گرفته شده در فرآیند طبقه‌بندی دادگان سوناری است.

sonar training data augmentation for improvement of deep neural network classifier based on transfer learning

Sonar is a signal propagation technology, below or above the surface of water to identify, locate, classify and detect marine targets. Nowadays, with the development of marine industries, especially marine military sciences, the classification and recognition of sonar targets has become very important. A main challenge in sonar data classification is the lack of real data to train and evaluate the performance of classifiers. To solve this problem, there are solutions such as producing artificial data or augmenting and synthesizing real data and producing new data. In this paper, data augmentation algorithms for audio data are introduced and the effect of these algorithms on the performance of artificial neural network is investigated. Transfer learning is another solution that is used to deal with the problem of lack of data in neural networks. In this study, a combination of two methods of transfer learning and data augmentation for convolutional neural networks has been used. Our experimental results show that the proposed method improves the performance of the sonar data classification process.