بهبود کیفیت تصاویر با حذف نویز از طریق طبقه بندی نمونه های متخاصم در آموزش شبکه های عصبی عمیق (DNS) با هدف تسهیل تعامل انسان و رایانه

شبکه های عصبی عمیق با ساختاری الهام گرفته از مغز، انسان نقش کلیدی در زمینه های تشخیص گفتار، پزشکی، مهندسی و پردازش و تشخیص تصویر ایفا می کنند. با وجود کارایی بالا، این شبکه ها در برابر نویزهای هدفمند و نمونه های متخاصم (Adversarial Attacks) آسیب پذیر هستند که می تواند منجر به اختلال در امنیت و دقت تشخیص شود. هدف این پژوهش ارائه روشی نوین برای تشخیص و طبقه بندی نمونه های متخاصم و حذف نویز در فرآیند آموزش شبکه های عصبی عمیق (DNS) است. این رویکرد با هدف ارتقای کیفیت تصاویر، بهبود دقت طبقه بندی و تسهیل تعامل انسان و رایانه توسعه یافته است. در این مطالعه مدل پیشنهادی بر روی پایگاه داده تصاویر MRI آموزش داده شده است. نتایج تجربی نشان می دهد که این روش با دستیابی به دقت ۹۷.۲۳ عملکرد بهتری نسبت به پژوهش های اخیر داشته و به طور موثری امنیت و پایداری شبکه را در برابر اختلال های نویزی تضمین می کند.

کلیدواژه ها:

شبکه های عصبی عمیق ، نمونه های متخاصم ، روش های طبقه بندی ، روش های تشخیص ، حذف نویز ، روش پیشنهادی ، یادگیری عمیق ، شبکه عصبی کانولوشن