Análise de Amostras Sintéticas de Sinais de Sonar Passivo Geradas por Redes Neurais Generativas Adversariais Júlio de C. V. Fernandes Universidade Federal do Rio de Janeiro Email: juliocvf@poli.ufrj.br Natanael N. M. Junior Universidade Federal do Rio de Janeiro Email: natmourajr@lps.ufrj.br José Manoel de Seixas Universidade Federal do Rio de Janeiro Email: seixas@lps.ufrj.br Abstract—In naval warfare, several techniques have been developed for the detection and classification of war vessels. Given the confidential nature of the data it is extremely difficult to get a hold of large quantities of data which makes it extremely hard to use techniques that rely on abundant data, such as deep learning. This paper proposes the use of generative adversarial neural networks for the generation of synthetic samples that can later be used in training of classifiers. This paper focuses on the generation process and the qualifying of such samples. Keywords—Sonar Systems, Neural Networks, Generative Ad- versarial Neural Networks (GAN), Deep Learning. I. I NTRODUÇÃO Um sistema SOund NAvigation Ranging, ou, como é mais comumente conhecido, um sistema sonar, é um conjunto de técnicas que utiliza o som que se propaga através da água para comunicação, navegação e detecção de objetos [1]. Desde sua invenção, os sonares encontraram um vasto número de aplicações tanto para usos civis como, por exemplo, recon- hecimento de marcos subaquáticos, rastreamento e estudo de animais, detecção de minas, aplicações em petróleo e gás, como também militares. Os submarinos dependem, consid- eravelmente, dos sistemas de sonares para navegar e adquirir informações sobre as condições e profundidade do mar, bem como para a detecção e classificação de navios [2], chamados neste contexto de contatos. Existem dois tipos de sistemas sonar usados em navios: o ativo e o passivo [16]. No sistema de sonar ativo, o navio envia um sinal e utiliza seus ecos para detectar, classificar e localizar um possível alvo [3]. Enquanto isso, em um sistema de sonar passivo não há sinal emitido obrigando o sonar a trabalhar analisando os sons emitidos pelos possíveis alvos para a detecção e classificação destes [3]. Este trabalho foi desenvolvido dentro do contexto do sonar passivo, de uso militar. Deste modo, sinais, de sonares passivos são os ruídos emitidos pelas diversas fontes sonoras presentes no ambiente subaquático, sendo que, para este trabalho, os sinais de interesse são aqueles provenientes de navios, enquanto que o ruído de fundo é composto por todos os outros ruídos do ambiente subaquático, que podem incluir os ruídos emitidos pela vida marinha, bem como ruídos emitidos por plataformas de petróleo, por exemplo. Dada a grande quantidade de ruídos de fundo presente no ambiente marítimo, a classificação de alvos se torna um problema de alta complexidade, pois a assinatura de um sinal de interesse pode ser mascarada pelo ruído de fundo. Os efeitos do ruído de fundo tem forte impacto no problema de classificação de contatos pois diversas fontes sonoras ocupam a mesma banda de frequência. Não obstante, a quantidade de dados disponíveis para o treinamento de um modelo pode ser bastante diminuta, especialmente em se tratando de dados com possíveis usos militares. Nos últimos anos técnicas de aprendizado profundo vêm recebendo grande atenção [6] devido aos resultados que as diversas topologias de redes neurais profundas vem obtendo nos mais variados campos de pesquisa, muitas das vezes esses resultados são melhores do que o estado da arte no campo [6]. De forma geral podemos pensar no aprendizado profundo como um ramo da área de aprendizado de máquina que consegue, através do uso de um grande número de parâmetros (que para serem ajustados requerem um grande número de dados), de forma automática representações de alto nível dos dados [5] sendo que cada camada constrói uma representação de mais alto nível sobre a representação anterior [7]. Neste artigo exploramos técnicas de aprendizado profundo para a geração de amostras sintéticas e a qualificação destas amostras. Técnicas de aprendizado profundo já foram utilizadas para a geração de amostras sintéticas com os mais diversos propósitos como em: [21] aonde foram utilizadas para detecção de fraude em cartões de crédito, [23] para a detecção de anomalias em imagens médicas, [24] [26] para a geração de imagens de maior resolução, [22] denoising e [25] para o treinamento de classificadores. O artigo está organizado da seguinte forma: na Seção II, o processamento básico de um sinal de sonar passivo é descrito. As redes neurais adversariais são brevemente expostas na Seção III. O método desenvolvido é explicado na Seção IV. Os resultados experimentais são analisados na Seção V, e as conclusões são derivadas na Seção VI. II. SISTEMA DE SONAR PASSIVO A cadeia de processamento, do ruído irradiado por navios, de um sistema de sonar passivo consiste na aquisição do ruído, na conformação dos feixes, na determinação da direção de