افزایش دقت و مقاومت شبکه های عصبی کانولوشنال در شناسایی علائم راهنمایی و رانندگی با استفاده از تابع هزینه آگاه از کلاس

تابع هزینه متفاوتی برای آموزش در شبکه های عصبی کانولوشنی به منظور بهبود دقت و مقاومت مدل های شناسایی به ویژه در خودروهای خودران به کار می روند. که در این تحقیق یک تابع هزینه جدید به نام آنتروپی آگاه از کلاس CAE مورد بررسی قرار گرفته است. و با اعمال حملات خصمانه مانند PGD، FGSM، C&W می توان مدل معرفی شده در این تحقیق که ResNet-۱۸ که برای طبقه بندی تصاویر تابلو راهنمایی و رانندگی آموزش دیده است را مورد ارزیابی و بررسی قرار داد.حملات خصمانه می توانند مدل ها را دچار اشتباه طبقه بندی کنند، که این مسئله در کاربردهای حساس به ایمنی مانند خودروهای خودران بسیار خطرناک است. با استفاده از توابع هزینه و ترکیب آن ها با حملات خصمانه، می توان مدل های شناسایی را در مواجهه با تصاویر متخاصم که شامل تغییرات خصمانه هستند به چالش کشید و از این طریق آن ها را بهبود داد.در این پژوهش یک تابع هزینه آنتروپی آگاه از کلاس CAE مورد بررسی قرار گرفته است.که در نهایت نشان می دهد که دقت مدل بهبود پیدا کرده است و همچنین شبکه در برابر حملات خصمانه مقاومت بهتری نشان می هد.این روش به مدل های شناسایی علائم ترافیکی این امکان را می دهد که در شرایط مختلف از جمله حملات مخرب مقاوم تر شده و دقت بالاتری در تشخیص علائم ترافیکی داشته باشند. در نتیجه، بهبود امنیت و ایمنی خودروهای خودران و باعث کاهش ریسک های مرتبط با تصمیم گیری های اشتباه راننده می شود.

کلیدواژه ها:

شبکه های عصبی کانولوشنال(CNNs) ، مدل ها طبقه بندی ، تصاویر راهنمایی و رانندگی ، حملات خصمانه.