Аналіз впливу попереднього відновлення зашумлених зображень автоенкодером на точність класифікації CNN

Abstract

У роботі досліджено вплив попереднього відновлення зображень за допомогою денойзингового автоенкодера (DAE) на точність класифікації згортковою нейронною мережею (CNN) при різних типах шумів. Актуальність теми зумовлена тим, що в реальних умовах оптичні зображення часто містять спотворення, спричинені зміною освітлення, вібраціями, рухом камер та іншими факторами, що істотно ускладнює завдання розпізнавання об’єктів. Традиційні фільтри не завжди забезпечують достатню якість очищення та можуть призводити до втрати важливих структурних ознак. У зв’язку з цим використання глибоких нейронних мереж, зокрема автоенкодерів, постає перспективним напрямом підвищення стійкості алгоритмів комп’ютерного зору до шумів різної природи. У дослідженні використано датасет CIFAR-10 та реалізовано двокомпонентну модель: автоенкодер для попереднього очищення та CNN для класифікації. Навчений автоенкодер відновлює структуру зображення після впливу гауссівського, імпульсного, пуассонівського або спекл шумів. Було проведено три серії експериментів: класифікація чистих зображень, класифікація зашумлених даних без очищення та класифікація після попереднього відновлення автоенкодером. Результати показали, що на чистих даних CNN демонструє точність 70,37%, проте при внесенні шумів точність знижується до 30–59% залежно від типу спотворення. The paper investigates the impact of preliminary image restoration using a denoising autoencoder (DAE) on the classification accuracy of a convolutional neural network (CNN) under various types of noise. The relevance of the topic is due to the fact that in real conditions, optical images often contain distortions caused by changes in lighting, vibrations, camera movement, and other factors, which significantly complicates the task of object recognition. Traditional filters do not always provide sufficient cleaning quality and can lead to the loss of important structural features. In this regard, the use of deep neural networks, in particular autoencoders, is a promising direction for improving the robustness of computer vision algorithms to noise of various nature. The study uses the CIFAR-10 dataset and implements a two-component model: an autoencoder for preliminary cleaning and a CNN for classification. The trained autoencoder restores the image structure after exposure to Gaussian, impulse, Poisson, and speckle noise. Three series of experiments were conducted: classification of clean images, classification of noisy data without cleaning, and classification after preliminary restoration by the autoencoder. The results showed that CNN demonstrates an accuracy of 70.37% on clean data, but when noise is introduced, the accuracy drops to 30–59% depending on the type of distortion.