بهبود كارايي شبكه‌هاي عصبي كانولوشني در مسائل دسته‌بندي تصوير با استفاده از ادغام بين نقشه‌اي

در سال هاي اخير توجه زيادي به شبكه هاي عصبي كانولوشني شده است. به ويژه در زمينه ي دسته بندي تصاوير طبيعي كه اين شبكه ها در اين زمينه بسيار موفق عمل كرده اند. ايده ي اوليه ي شبكه هاي عصبي كانولوشني از نحوه ي عملكرد سلول هاي قشر بينايي مغز الهام گرفته شده است. با اين حال، برخي از عملكردهاي اين شبكه ها، مانند عمل ادغام مكاني، به شكلي سطحي از سلول هاي مغز الگوبرداري شده اند. در اين ادغام هاي ويژگي، تنها ويژگي هايي كه يكسان هستند و در يك نقشه ي ويژگي قرار دارند با يكديگر ادغام مي شوند. حال آنكه سلول هاي پيچيده ي قشر بينايي، ويژگي هايي كه دقيقا از يك نوع نيستند را نيز با يكديگر ادغام مي كنند. در اين مقاله، ما مدلي را پيشنهاد مي كنيم كه در آن با استفاده از آمارگان تصاوير طبيعي، نحوه ي ادغام بين نقشه هاي ويژگي مختلف از روي داده ها ياد گرفته شوند. آزمايش ها بر روي مجموعه دادگان استاندارد CIFAR-10، CIFAR-100 و COIL-100 كارايي اين روش را نشان مي دهند. به خصوص آزمايش مدل بر روي دادگان COIL-100 نشان مي دهد كه روش ارائه شده در برابر چرخش مقاومت بيشتري نسبت به ديگر روش ها دارد.