TY - JOUR T1 - A Convolutional Neural Network based on Adaptive Pooling for Classification of Noisy Images TT - ارائه یک شبکه عصبی کانولوشنال مبتنی بر ادغام تطبیقی پویا برای طبقه‌بندی تصاویر نوفه‌ای JF - jsdp JO - jsdp VL - 17 IS - 4 UR - http://jsdp.rcisp.ac.ir/article-1-938-fa.html Y1 - 2021 SP - 139 EP - 154 KW - Convolutional neural network KW - Noise KW - Image classification KW - weighted pooling N2 - 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 تأثیر 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 NR-CNN برای طبقه‌بندی تصاویر نوفه‌ای، دقت و سرعت آموزش شبکه CNN را افزایش می‌دهد. روش پیشنهادی با میانگین خطای 24% در مقایسه با روش VGG-Net نتیجه بهتری در طبقه‌بندی تصاویر موجود در پایگاه داده PascalVOC دارد؛ بنابراین می‌توان نتیجه گرفت که NR-CNN می‌‌تواند برای طبقه‌بندی و تشخیص شیء در تصاویر نوفه‌ای سودمند باشد. M3 10.29252/jsdp.17.4.139 ER -