摘要
卷积神经网络（CNN）架构在图像分类任务中学习和提取特征方面的成功，使其近年来广受欢迎。然而，当将最先进的模型应用于噪声较多、质量较低的图像分类时，该任务变得更加具有挑战性。由于这类图像分辨率低，且缺乏有意义的全局特征，模型难以从中提取有效的特征。此外，高分辨率图像需要更多网络层进行训练，这意味着训练过程耗时更长、计算资源消耗更大。我们提出的方法还有效缓解了深度神经网络层数加深后出现的梯度消失问题，如前文所述。为解决上述各项挑战，我们设计了一种新型图像分类架构，其核心由一系列精心构建的模块组成，旨在从模糊且含有噪声的低分辨率图像中同时学习低层特征与全局特征。这些模块的设计受到残差连接（Residual Connections）和Inception模块的深刻启发，以提升模型性能的同时有效减少参数量。我们通过MNIST系列数据集对所提方法进行了全面评估，尤其聚焦于最具挑战性的Oracle-MNIST数据集——因其图像质量差、噪声大，分类难度极高。深入的实验结果表明，所提出的架构在速度和准确性方面均优于现有前沿的卷积神经网络。此外，得益于模型独特的结构特性，其在参数更少的情况下仍能取得更优的分类效果，展现出更强的效率与泛化能力。