ارائه یک شبکه عصبی کانولوشنال مبتنی بر ادغام تطبیقی پویا برای طبقه‌بندی تصاویر نوفه‌ای

طبقه‌بندی تصاویر مبتنی بر شبکه عصبی کانولوشن (cnn) به‌صورت گسترده در حوزه بینایی ماشین مورد مطالعه قرار گرفته است. تصاویر نوفه‌ای در نتایج خروجی cnn تاثیر مستقیم دارند که باعث کاهش دقت خروجی و افزایش زمان فرآیند آموزش شبکه می‌شوند. همچنین تصاویر تخریب‌شده‌ای که در مرحله پیش‌پردازش بهبود یافته‌اند، ممکن است به‌دلیل عدم بهبود کافی، اثر نامطلوب در فرآیند آموزش cnn داشته باشند. هدف این مقاله، اصلاح معماری شبکه عصبی کانولوشنال جهت مقاوم‌سازی در برابر تصاویر آغشته به نوفه ضربه، تصاویر با پیکسل‌های فاقد مقدار، تلفات پیکسل‌های تصاویر در ارسال و انتقال بسته‌ها، تصاویر تخریب‌شده با داده‌های پرت و تصاویر دست‌کاری‌شده است. از آنجا که پیش‌پردازش جهت حذف نوفه و بهبود کیفیت تصاویر نوفه‌ای به‌طورمعمول زمان‌بر و پرهزینه است، روش پیشنهادی با کاهش عملیات مورد نیاز در مرحله پیش‌پردازش، به طبقه‌بندی و تشخیص اشیا تصاویر نوفه‌ای را انجام می‌دهد. لایه‌ ادغام، لایه کانولوشن و تابع هزینه برای مقاوم‌سازی cnn در برابر نوفه اصلاح می‌شوند. نتایج شبیه‌سازی نشان می‌دهد که به‌کارگیریی nrcnn برای طبقه‌بندی تصاویر نوفه‌ای، دقت و سرعت آموزش شبکه cnn را افزایش می‌دهد. روش پیشنهادی با میانگین خطای 24% در مقایسه با روش vggnet نتیجه بهتری در طبقه‌بندی تصاویر موجود در پایگاه داده pascalvoc دارد؛ بنابراین می‌توان نتیجه گرفت که nrcnn می‌‌تواند برای طبقه‌بندی و تشخیص شیء در تصاویر نوفه‌ای سودمند باشد.

A Convolutional Neural Network based on Adaptive Pooling for Classification of Noisy Images

Convolutional neural network is one of the effective methods for classifying images that performs learning using convolutional, pooling and fullyconnected layers. All kinds of noise disrupt the operation of this network. Noise images reduce classification accuracy and increase convolutional neural network training time. Noise is an unwanted signal that destroys the original signal. Noise changes the output values of a system, just as the value recorded in the output differs from its actual value. In the process of image encoding and transmission, when the image is passed through noisy transmission channel, the impulse noise with positive and negative pulses causes the image to be destroyed. A positive pulse in the form of white and a negative pulse in the form of black affect the image. The purpose of this paper is to introduce dynamic pooling which make the convolutional neural network stronger against the noisy image. The proposed method classifies noise images by weighting the values in the dynamic pooling region. In this research, a new method for modifying the pooling operator is presented in order to increase the accuracy of convolutional neural network in noise image classification. To remove noise in the dynamic pooling layer, it is sufficient to prevent the noise pixel processing by the dynamic pooling operator. Preventing noise pixel processing in the dynamic pooling layer prevents selecting the amount of noise to be applied to subsequent CNN layers. This increases the accuracy of the classification. There is a possibility of destroying the pixels of the entire window in the image. Due to the fact that the dynamic pooling operator is repeated several times in the layers of the convolutional neural network, the proposed method for merging noise pixels can be used many times. In the proposed dynamic pooling layer, pixels with a probability of p being destroyed by noise are not included in the dynamic pooling operation with the same probability. In other words, the participation of a pixel in the dynamic pooling layer depends on the health of that pixel value. If a pixel is likely to be noisy, it will not be processed in the proposed dynamic pooling layer with the same probability. To compare the proposed method, the trained VGGNet model with medium and slow architecture has been used. Five convolutional layers and three fully connected layers are the components of the proposed model. The proposed method with 26% error for images corrupted with impulse noise with a density of 5% has a better performance than the compared methods. Increased efficiency and speed of convolutional neural network based on dynamic pooling layer modification for noise image classification is seen in the simulation results.