ارائه یک شبکه عصبی کانولوشنال مبتنی بر ادغام تطبیقی پویا برای طبقه بندی تصاویر نوفه ای

طبقه بندی تصاویر مبتنی بر شبکه عصبی کانولوشن (CNN) به صورت گسترده در حوزه بینایی ماشین مورد مطالعه قرار گرفته است. تصاویر نوفه ای در نتایج خروجی CNN تاثیر مستقیم دارند که باعث کاهش دقت خروجی و افزایش زمان فرآیند آموزش شبکه می شوند. همچنین تصاویر تخریب شده ای که در مرحله پیش پردازش بهبود یافته اند، ممکن است به دلیل عدم بهبود کافی، اثر نامطلوب در فرآیند آموزش CNN داشته باشند. هدف این مقاله، اصلاح معماری شبکه عصبی کانولوشنال جهت مقاوم سازی در برابر تصاویر آغشته به نوفه ضربه، تصاویر با پیکسل های فاقد مقدار، تلفات پیکسل های تصاویر در ارسال و انتقال بسته ها، تصاویر تخریب شده با داده های پرت و تصاویر دست کاری شده است. از آنجا که پیش پردازش جهت حذف نوفه و بهبود کیفیت تصاویر نوفه ای به طورمعمول زمان بر و پرهزینه است، روش پیشنهادی با کاهش عملیات مورد نیاز در مرحله پیش پردازش، به طبقه بندی و تشخیص اشیا تصاویر نوفه ای را انجام می دهد. لایه ادغام، لایه کانولوشن و تابع هزینه برای مقاوم سازی CNN در برابر نوفه اصلاح می شوند. نتایج شبیه سازی نشان می دهد که به کارگیریی NR-CNN برای طبقه بندی تصاویر نوفه ای، دقت و سرعت آموزش شبکه CNN را افزایش می دهد. روش پیشنهادی با میانگین خطای 24% در مقایسه با روش VGG-Net نتیجه بهتری در طبقه بندی تصاویر موجود در پایگاه داده  PascalVOC دارد؛ بنابراین می توان نتیجه گرفت که NR-CNN می تواند برای طبقه بندی و تشخیص شیء در تصاویر نوفه ای سودمند باشد.