합성곱 신경망 모델의 안정성 부족 문제와 적대적 학습 방법이 네트워크 구조를 지나치게 복잡하게 만들고 많은 계산 자원을 소비하는 문제를 해결하기 위해 인간 시각 신경계의 생체 특성을 기반으로 한 합성곱 신경망 모델 개선 방법(VVNet)을 제안하였다. 합성곱 신경망을 기반으로 인간 시각의 구조적 특성을 융합하여 네트워크 층 수를 늘리지 않거나 정확도를 유지하면서 잡음 간섭에 대한 신경망의 안정성을 향상시켰다. Cifar10 데이터셋에서 세 가지 서로 다른 신경망 모델(VVNet, VOneNet, 원래 모델)을 테스트하였다. 실험 결과 VVNet, VOneNet 및 원래 DenseNet121 모델을 사용하여 네 가지 유형의 이미지(노이즈 이미지, 흐릿한 이미지, 가림 이미지 및 포화 노출 이미지)를 분류한 정확도를 비교한 결과, 제안된 VVNet 네트워크 구조가 다양한 유형의 이미지 분류 정확도를 거의 변화 없이 유지함을 검증하였다. 적대적 샘플 사용 시 VVNet 네트워크 구조의 이미지 분류 정확도가 약 10% 향상되었다. 딥 러닝 네트워크와 비교할 때, 인간 시각 시스템 구조를 기반으로 한 네트워크는 정확도를 유지하면서 신경망의 안정성을 효과적으로 높이고 이식성을 갖는다.

컴퓨터 비전;기계 학습;이미지 인식;시각 피질