طبقة التصفية غير الحادة: دمج المعرفة المسبقة في الشبكات التلافيفية لتصنيف الصور

تحسين الصور يشير إلى تعزيز سمات معينة في الصورة، مثل الحواف أو الحدود أو التباين. والهدف الرئيسي هو معالجة الصورة الأصلية بحيث يتم تحسين الأداء العام في مهام العرض البصري والتصنيف والتقسيم بشكل ملحوظ. تعتمد التقنيات التقليدية على ضبط يدوي للبارامترات للتحكم في سلوك التحسين. حتى الآن، تُستخدم غالبًا الطرق الحديثة المستندة إلى الشبكات العصبية التلافيفية (CNN) للتقنيات المذكورة أعلاه كخطوة ما قبل معالجة محسّنة. في هذا العمل، نقدّم أول طبقة ما قبل معالجة داخلية قائمة على الشبكة العصبية التلافيفية، تعتمد على خوارزمية التمويه غير الحاد المعروفة (Unsharp Masking). تُضفي الطبقة المُقترحة معرفة مسبقة حول كيفية تحسين الصورة، من خلال إضافة معلومات التردد العالي إلى المدخلات، بهدف تأكيد السمات المهمة في الصورة. وتُحسّن الطبقة بارامترات التمويه غير الحاد أثناء تدريب النموذج، دون أي تدخل يدوي. تم تقييم أداء الشبكة وتأثيرها على تطبيقين: تصنيف صور CIFAR100، وتحدي تحديد النباتات في PlantCLEF. وأظهرت النتائج تحسنًا ملحوظًا مقارنة بالشبكات العصبية التلافيفية الشهيرة، حيث بلغت نسبة التحسن 9.49% في تحدي PlantCLEF، و2.42% في CIFAR100 العامة. وتبين تصميم طبقة التحسين بالطريقة غير الحادة أنّه يُعزز الدقة بشكل واضح مع تكلفة أداء ضئيلة جدًا في النماذج البسيطة للشبكات العصبية التلافيفية، إذ يتم إدخال المعرفة المسبقة مباشرة لتحسين مقاومة النموذج.