畳み込みネットワークモデルの安定性が低いこと、敵対的学習方法がネットワーク構造を過度に複雑化し大量の計算資源を消費する問題に対し、人間の視覚神経系の生物学的特徴に基づく畳み込みニューラルネットワークモデルの改良手法（VVNet）を提案した。畳み込みニューラルネットワークを基盤とし、人間視覚の構造的特徴を融合することで、ネットワーク層数を増やさずまたは精度を維持しながら、ノイズ干渉に対する神経ネットワークの安定性を向上させた。データセットCifar10上で3種類の異なるニューラルネットワークモデル（VVNet、VOneNet、および元のネットワークモデル）をテストした。実験結果は、VVNet、VOneNet、および元のDenseNet121モデルを使用し、4種類の画像（ノイズ画像、ぼやけ画像、遮蔽画像、飽和露光画像）の分類精度を比較したところ、提案したVVNetネットワーク構造が異なるタイプの画像に対してほぼ同じ分類精度を維持することを検証した。敵対的サンプル使用時、VVNetネットワーク構造の画像分類精度は約10％向上した。深層学習ネットワークと比較して、人間の視覚システム構造に基づくネットワークは、精度を維持しつつ神経ネットワークの安定性を効果的に高め、移植性を持つ。

コンピュータビジョン;機械学習;画像認識;視覚皮質