Devido ao desempenho instável dos modelos de redes convolucionais e ao fato de que os métodos de treinamento adversarial tornam a estrutura da rede muito complexa e consomem muitos recursos computacionais, foi proposta uma metodologia de melhoria para o modelo de rede neural convolucional baseada nas características biológicas do sistema nervoso visual humano (VVNet). Com base na rede neural convolucional, as características estruturais da visão humana foram integradas, aumentando a estabilidade da rede neural contra interferências de ruído, sem aumentar o número de camadas da rede ou manter a acurácia constante. Três diferentes modelos de redes neurais (VVNet, VOneNet e o modelo original) foram testados no conjunto de dados Cifar10. Os resultados experimentais mostraram que a precisão de classificação para quatro tipos de imagens (imagens com ruído, imagens borradas, imagens com obstrução e imagens com exposição saturada) utilizando os modelos VVNet, VOneNet e o modelo original DenseNet121 foram quase constantes, confirmando que a estrutura de rede VVNet proposta mantém a precisão de classificação constante para diferentes tipos de imagens. Sob o uso de amostras adversariais, a precisão de classificação de imagens da estrutura da rede VVNet aumentou cerca de 10%. Comparado às redes de aprendizado profundo, a rede baseada na estrutura do sistema visual humano pode aumentar efetivamente a estabilidade da rede neural mantendo a acurácia e possui portabilidade.

visão computacional;aprendizado de máquina;reconhecimento de imagens;córtex visual