في تصنيف الصور، يختلف التمييز البصري بين فئات الأشياء المختلفة بشكل كبير، حيث تكون بعض الفئات أكثر صعوبة في التمييز من غيرها. تتطلب هذه الفئات الصعبة مصنفات أكثر تخصصًا. ومع ذلك، يتم تدريب الشبكات العصبية المعمقة القائمة على التوافقي (CNN) كمصنفات مسطحة N-طريقية، ولم يتم بذل جهود كبيرة للاستفادة من البنية الهرمية للفئات. في هذا البحث، نقدم الشبكات العصبية المعمقة الهرمية (HD-CNNs) من خلال دمج الشبكات العصبية المعمقة القائمة على التوافقي في هرمية الفئات. تقوم HD-CNN بفصل الفئات السهلة باستخدام مصنف فئة خشن بينما تميّز الفئات الصعبة باستخدام مصنفات فئة دقيقة. أثناء تدريب HD-CNN، يتبع التدريب الجزئي للمركبات عملية ضبط عالمي مع خسارة لوغستيك متعددة الحدود مقيدة بمصطلح توافق الفئة الخشنة. بالإضافة إلى ذلك، فإن تنفيذ مصنفات الفئة الدقيقة بشروط وضغط معلمات الطبقات يجعل HD-CNNs قابلة للتوسع في التعرف البصري على نطاق واسع. حققنا أفضل النتائج الحالية على كل من مجموعة بيانات CIFAR100 ومجموعة بيانات ImageNet التي تحتوي على 1000 فئة على نطاق واسع. في تجاربنا، بنينا ثلاثة أنماط مختلفة من HD-CNNs وهي تقلل من خطأ الرتبة الأولى للمصنفات القياسية بنسبة 2.65٪ و3.1٪ و1.1٪ على التوالي.请注意，这里的翻译已经尽量符合您的要求，但是阿拉伯语中某些科技术语可能没有完全统一的译法，因此在实际应用中可能需要根据具体情况进行调整。