تیمی از پژوهشگران دانشگاه کالیفرنیا، لوس آنجلس، تحت رهبری آیدوگان اوزکان، یک روش جدید برای افزایش اعتبار شبکه های عصبی عمیق در حل مسائل تصویربرداری معکوس توسعه دادند. این پژوهش در مجله محاسبات هوشمند منتشر شده و به تکنیکهای تعییننامشخصیت معرفی شده است که با جمع بندی چرخشی برای بهبود عملکرد شبکه های عصبی عمیق استفاده میکند.
مسائل تصویربرداری معکوس شامل زوال نویز تصویر، تصویربرداری با کیفیت بالا و بازسازی تصویر پزشکی میباشد، که در آنها تلاش برای ساختن یک تصویر ایدهآل با استفاده از دادههای تصویر خام انجام میشود که ممکن است دچار خرابی شده باشند. با این حال، شبکههای عصبی عمیق در بعضی موارد نتایج قابل اعتمادی را نمیتوانند تولید کنند که ممکن است پیامدهای جدی در بعضی مواقع داشته باشد. مدلهایی که قادر به تخمین نامشخصی خروجی خود باشند، ظرفیت بیشتری در شناسایی ناهنجاریها و حملهها داشته باشند.
روش تازه توسعه یافته از یک مدل پیشرو فیزیکی به عنوان برنامهای رایانهای از رابطه ورودی-خروجی استفاده میکند. با ترکیب این مدل با یک شبکه عصبی و اجرای چرخش های رفت-برگشت بین دادههای ورودی و خروجی، نامشخصیت جمع میشود و به خوبی تخمین زده می شود.
اساس نظری این روش برای محدود شدن پایداری چرخشی قرار گرفته است که به عنوان تفاوت بین خروجی های مجاور در چرخه تعریف میشود. پژوهشگران حدود بالا و پایین برای پایداری چرخشی وابسته به نامشخصیت خروجی شبکه عصبی تعریف کردهاند. حتی در مواردی که خروجیهای چرخشی انحراف دارند یا همگرا هستند، تخمین نامشخصیت بدون داشتن حقیقت مطلق ممکن است، تا اندازهای که حقیقت راهنما شناخته نشده باشد.
برای نشان دادن اثربخشی روش، پژوهشگران دو آزمایش انجام دادند. آزمایش اول بر روی حل مسئله حذف آلودگی تصویر تمرکز کرد که در آن از یک شبکه آموزش دیده جهت تشخیص آیا تصاویر خراب شده یا سالم استفاده شد. با استفاده از معیارهای پایداری چرخشی برای تخمین نامشخصیت و اهلیت شبکه، پژوهشگران در دسته بندی نهایی دقت بهتری را به دست آوردند.
این پژوهش قدم مهمی در جهت بهبود اعتبار و استحکام شبکههای عصبی عمیق در حل مسائل تصویربرداری معکوس میباشد. با استفاده از تخمین نامشخصیت از طریق پایداری چرخشی، این شبکه های عصبی ظرفیت بیشتری در شناسایی ناهنجاری ها و حمله ها و دستیابی به نتایج قابل اعتماد و معتبر دارند.
The source of the article is from the blog lokale-komercyjne.pl