في هذا البحث، ندرس مشكلة تعلم نماذج تصنيف الصور في وجود ضوضاء التسمية. الطرق الحالية التي تعتمد على الإشراف البشري عادةً ما تكون غير قابلة للتوسع لأن تحديد التسميات الصحيحة أو الخاطئة يدوياً يستغرق وقتاً طويلاً، بينما الطرق التي لا تعتمد على الإشراف البشري تكون قابلة للتوسع ولكنها أقل فعالية. لتخفيض كمية الإشراف البشري المطلوبة لتنظيف ضوضاء التسمية، نقدم CleanNet (شبكة غرس العناصر العصبية المشتركة)، والتي تحتاج فقط إلى نسبة صغيرة من الفئات لتكون مدققة يدوياً لتوفير معرفة بضوضاء التسمية يمكن نقلها إلى فئات أخرى. نقوم بعد ذلك بدمج CleanNet والتصنيف التقليدي باستخدام الشبكات العصبية المتلافهة في إطار واحد لتعلم تصنيف الصور. نوضح فعالية الخوارزمية المقترحة في كل من مهمة اكتشاف ضوضاء التسمية ومهمة تصنيف الصور على البيانات الملوثة في عدة مجموعات بيانات كبيرة الحجم. تظهر النتائج التجريبية أن CleanNet يمكن أن تخفض معدل خطأ اكتشاف ضوضاء التسمية في الفئات المحتجزة حيث لا يوجد إشراف بشري بنسبة 41.5% مقارنة بالطرق شبه المراقبة الحالية. كما أنها تحقق زيادة أداء بنسبة 47% عند التحقق من جميع الصور مع التحقق فقط من 3.2% من الصور في مهمة تصنيف الصور. سيتم توفير الكود المصدر ومجموعة البيانات على kuanghuei.github.io/CleanNetProject.