احمد شیرزادی

به طور گسترده برای طبقه بندی تصاویر مورد استفاده قرار (CNN) شبکه های عصبی کانولوشنی می تواند عملکرد این شبکه ها (Impulse Noise) می گیرند. با این حال، وجود نویز به ویژه نویز ضربه ای را به طور قابل توجهی کاهش دهد. در این پژوهش، یک معماری مقاوم به نویز مبتنی بر شبکه عصبی Median کانولوشنی معرفی شده است که در آن به جای استفاده از روش های پیچیده حذف نویز، از لایه برای افزایش مقاومت مدل در برابر نویز استفاده شده است. مدل پیشنهادی روی سه پایگاه Pooling داده شامل تصاویر کفش، میوه و علائم ترافیکی در سه سناریوی مختلف (داده های تمیز، داده های نویزی و Median آموزش تمیز با تست نویزی) ارزیابی شده است. نتایج آزمایش ها نشان می دهند که استفاده از باعث بهبود چشمگیر مقاومت مدل در برابر نویز شده و دقت طبقه بندی تصاویر نویزی را تقریب ً ا Pooling در سطح داده های تمیز حفظ کرده است. همچنین، نتایج نشان دادند که آموزش تنها روی داده های تمیز منجر به افت دقت قابل توجه در شرایط نویزی می شود، در حالی که آموزش روی داده های نویزی همراه بهترین تعادل بین دقت و مقاومت در برابر نویز را فراهم می آورد. Median Pooling