شبكات الت💬لتف عصبية المُحَكَّمة ذات الاتصال الهجين لتصنيف الصور

نقترح طريقة بسيطة ومعتبرة لخفض التكرار في شبكات DenseNet من خلال تقليل كبير في عدد الوحدات المتراكمة عن طريق استبدال الزجاجة الأصلية بوحدتنا SMG، والتي يتم تعزيزها بالباقي المحلي. بالإضافة إلى ذلك، تم تجهيز وحدة SMG بخط أنابيب فعّال ذو مرحلتين، يهدف إلى معماريات مشابهة لـ DenseNet التي تحتاج إلى دمج جميع المخرجات السابقة، أي ضغط الخصائص المعلوماتية ولكن المتكررة القادمة تدريجياً عبر الاقترانات الهرمية على شكل ساعة رملية ومن ثم تحفيزها بواسطة اقترانات عميقة متعددة النواة، حيث ستكون المخرجات النهائية مضغوطة وتحتوي على خصائص متعددة المقاييس أكثر إفادة. قمنا أيضاً بتطوير بوابة نسيان وبوابة تحديث من خلال إدخال وحدات الانتباه الشائعة لتنفيذ الاندماج الفعال بدلاً من الجمع البسيط بين الخصائص المعاد استخدامها والجديدة. نظراً للاتصال الهجين (المزيج العشبي بين الكثافة العالمية والباقي المحلي) والآليات ذات البوابات، أطلقنا على شبكتنا اسم HCGNet. تظهر النتائج التجريبية على مجموعتي بيانات CIFAR و ImageNet أن HCGNet أكثر كفاءة بشكل بارز من DenseNet ويمكنها أيضاً تحقيق أداء أفضل بكثير من الشبكات الرائدة الأخرى مع تعقيد أقل. علاوة على ذلك، تظهر HCGNet قابلية تفسير ملحوظة ومتانة من خلال تشريح الشبكة والدفاع ضد الهجمات المعادية على التوالي. وعلى مجموعة بيانات MS-COCO، يمكن لـ HCGNet التعلم باستمرار بشكل أفضل من الخلفيات الشائعة.