
في نماذج التعلم العميق، تؤدي الطبقة الاتصالية الكاملة (FC) دورًا محوريًا في تصنيف المدخلات بناءً على السمات المُتعلمة من الطبقات السابقة. تحتوي طبقات FC على أكبر عدد من المعلمات، ويستهلك تحسين هذه المعلمات الكثيرة جدًا معظم الموارد الحسابية. ولذلك، يهدف هذا البحث إلى تقليل عدد هذه المعلمات بشكل كبير مع تحسين الأداء. وتم تحفيز هذا الهدف من خلال مبادئ مأخوذة من بنية SpinalNet والهياكل البيولوجية الأخرى. تتميز البنية المقترحة بوجود قناة تدرج (Gradient Highway) بين الطبقات المدخلة والمنفية، مما يحل مشكلة تناقص التدرج في الشبكات العميقة. في هذه البنية، تتلقى جميع الطبقات المدخلات من الطبقات السابقة فضلًا عن مخرجات طبقة الشبكة العصبية التلافيفية (CNN)، وبهذه الطريقة تساهم جميع الطبقات في عملية اتخاذ القرار مع الطبقة النهائية. وقد أظهر هذا النهج تحسنًا في أداء التصنيف مقارنةً ببنية SpinalNet، ويحقق أداءً من الدرجة الأولى (SOTA) على العديد من مجموعات البيانات مثل Caltech101 وKMNIST وQMNIST وEMNIST. يمكن الوصول إلى الشفرة المصدرية عبر الرابط التالي: https://github.com/praveenchopra/ProgressiveSpinalNet.