اصلاح معماری شبکه عصبی کانولوشنال جهت طبقه بندی تصاویر آغشته به نویز ضربه

نویز ضربه موجب اختلال در فرایند طبقه بندی تصاویر توسط شبکه عصبی کانولوشنال می گردد. پیش پردازش جهت حذف نویز ضربه هزینه بر است و تصاویر تخریب شده به دلیل عدم بهبود کافی، اثر مخرب در مراحل آموزش و اعتبارسنجی این شبکه دارند. در این مقاله با اصلاح معماری شبکه عصبی کانولوشنال، یک مدل مقاوم در برابر نویز ضربه معرفی می شود. روش پیشنهادی، طبقه بندی تصاویر نویزی را بدون نیاز به هیچ گونه پیش پردازش انجام می دهد. لایه تشخیص نویز ضربه در بدنه شبکه عصبی کانولوشنال تعبیه می شود و از پردازش مقادیر نویزی جلوگیری می کند. برای آموزش مدل پیشنهادی از پایگاه داده 2012- ILSVRC استفاده شده است. نتایج شبیه سازی نشان می دهد که جلوگیری از تاثیرگذاری نویز ضربه در فرایند آموزش و طبقه بندی شبکه عصبی کانولوشنال، دقت و سرعت آموزش شبکه را افزایش می دهد. روش پیشنهادی با خطای 24/0 در طبقه بندی تصاویر آغشته به نویز ضربه با چگالی 10% بهتر از سایر روش های مورد مقایسه می باشد. مرتبه زمانی (1)O در اصلاح CNN جهت مقاومت در برابر نویز نشان دهنده برتری روش پیشنهادی است.