ارائه يك شبكه عصبي كانولوشنال مبتني بر ادغام تطبيقي پويا براي طبقه‌بندي تصاوير نوفه‌اي

طبقه‌بندي تصاوير مبتني بر شبكه عصبي كانولوشن (CNN) به‌صورت گسترده در حوزه بينايي ماشين مورد مطالعه قرار گرفته است. تصاوير نوفه‌اي در نتايج خروجي CNN تأثير مستقيم دارند كه باعث كاهش دقت خروجي و افزايش زمان فرآيند آموزش شبكه مي‌شوند. همچنين تصاوير تخريب‌شده‌اي كه در مرحله پيش‌پردازش بهبود يافته‌اند، ممكن است به‌دليل عدم بهبود كافي، اثر نامطلوب در فرآيند آموزش CNN داشته باشند. هدف اين مقاله، اصلاح معماري شبكه عصبي كانولوشنال جهت مقاوم‌سازي در برابر تصاوير آغشته به نوفه ضربه، تصاوير با پيكسل‌هاي فاقد مقدار، تلفات پيكسل‌هاي تصاوير در ارسال و انتقال بسته‌ها، تصاوير تخريب‌شده با داده‌هاي پرت و تصاوير دست‌كاري‌شده است. از آنجا كه پيش‌پردازش جهت حذف نوفه و بهبود كيفيت تصاوير نوفه‌اي به‌طورمعمول زمان‌بر و پرهزينه است، روش پيشنهادي با كاهش عمليات مورد نياز در مرحله پيش‌پردازش، به طبقه‌بندي و تشخيص اشيا تصاوير نوفه‌اي را انجام مي‌دهد. لايه‌ ادغام، لايه كانولوشن و تابع هزينه براي مقاوم‌سازي CNN در برابر نوفه اصلاح مي‌شوند. نتايج شبيه‌سازي نشان مي‌دهد كه به‌كارگيريي NRCNN براي طبقه‌بندي تصاوير نوفه‌اي، دقت و سرعت آموزش شبكه CNN را افزايش مي‌دهد. روش پيشنهادي با ميانگين خطاي 24% در مقايسه با روش VGGNet نتيجه بهتري در طبقه‌بندي تصاوير موجود در پايگاه داده PascalVOC دارد؛ بنابراين مي‌توان نتيجه گرفت كه NRCNN مي‌‌تواند براي طبقه‌بندي و تشخيص شيء در تصاوير نوفه‌اي سودمند باشد.