Dyb læring kan hjælpe hæren med at forstå svage, beskadigede signaler

Forskere ved den amerikanske hærs forskningslaboratorium er ved at udvikle en ny algoritme, der kan forbedre billed- og lydidentifikation til efterretningsindsamling på slagmarken.

U.S. Army Combat Capabilities Development Command Army Research Laboratory videnskabsmand Dr. Michael S. Lee og hans kolleger er ved at udvikle en dyb-læringsalgoritme kaldet en genvejsautoencoder, der kan gendanne enkelte lydklip og billeder ødelagt af forskellige typer tilfældig støj.

Det, der adskiller deres arbejde fra tidligere undersøgelser, er, at de har forbedret anvendelighed til 1-D-signaler (f.eks. menneskelig tale), og tester mod stærkere støjkilder end normalt betragtet, dvs. støj/signalforhold ud over 1,0.

"Deep learning er velkendt for at være i stand til nøjagtigt at detektere objekter i billeder, men det er også i stand til at syntetisere realistisk udseende data, som observeret i den nyligt populære FaceApp, " sagde Lee. "I vores arbejde, vi bruger dyb læring til at rekonstruere et billede baseret på begrænset inputinformation, for eksempel, med kun én procent af pixelkanalerne bevaret."

Lee sagde, at hans teams model er trænet med en masse data om, hvordan andre rigtige billeder ser ud, og en variant af deres billedmodel kan bruges til at rekonstruere menneskelig tale fra støjende lydsignaler, selv når støjen er meget højere end signalet.

Ifølge Lee, målhærens applikationer er talrige, herunder aflytning, demodulerende kommunikation ved tilstedeværelse af stærke jammere og opfattelse af objekter i billede/video, der er tilsløret med vilje, ved mørke (lavt lys) eller ved vejrbegivenheder som tåge og regn.

"På kort sigt, denne teknologi kunne give en 'Zoom/Enhance'-funktion til efterretningsanalytikere, " sagde Lee. "I det lange løb, denne type teknologi kan integreres problemfrit i et kameras hardware for forbedret billedkvalitet under forskellige scenarier såsom svagt lys og tåge."

Ud over hærens applikationer, Lee bemærkede, at den kommercielle sektor også kunne drage fordel af denne teknologi.

"I miljøer med lav båndbredde, områder langt væk fra celletårne, algoritmer som vores kunne give klarere telefonopkald, " sagde Lee. "Selvkørende biler kan drage fordel af denne teknologi i ekstreme vejrscenarier som regn og tåge for at udlede, hvilke objekter der er foran. Kommercielle videokameraer vil være i stand til at fungere under lavere lysforhold med højere billedhastigheder og/eller lavere eksponeringstider."

Dette arbejde adresserer udfordringer inden for Netværkskommandoen, Styring, Kommunikation og intelligens Tværfunktionelt team.

"En del af CCDC ARL's mission er at udforske området for, hvad der er muligt, " sagde Lee. "Her, vi viser, at ud over detektion og klassificering, maskinlæring kan bruges til at belyse svage og/eller støjende signaler og billeder."

At bevæge sig ind i fremtiden, Lee og hans kolleger vil gerne undersøge, hvordan denne metode vil fungere på datatyper ud over menneskelig tale og optiske billeder, såsom fysiske omgivelser sensordata og trådløs kommunikation.