Details

В работе представлена многозадачная свёрточная нейронная сеть на основе архитектуры U-Net с механизмами внимания и слепым шумоподавлением, предназначенная для одновременного шумоподавления и классификации зашумлённых изображений. Проведён обзор типов шумов, методов шумоподавления, концепции многозадачного обучения и эвристических алгоритмов оптимизации гиперпараметров. В качестве основного метода оптимизации выбран алгоритм Harris Hawk Optimization (HHO), моделирующий кооперативное охотничье поведение ястребов и обеспечивающий эффективный поиск параметров. Разработана архитектура Attention U-Net с двумя выходными ветвями: ветвью восстановления изображения (шумоподавлением) и ветвью классификации. Классификационная голова подключена к bottleneck-представлению, что позволяет использовать признаки максимальной семантической абстракции, не затронутые процессом пиксельного восстановления. Механизмы внимания (Attention Gates) на пропускных соединениях обеспечивают адаптивное взвешивание пространственных признаков. Режим слепого шумоподавления со случайным выбором уровня шума σ из диапазона [0; 0,5] для каждого обучающего примера обеспечивает универсальность модели. Алгоритм HHO адаптирован для оптимизации шести гиперпараметров: скорости обучения, числа блоков и фильтров, размера ядра свёртки, веса функции потерь шумоподавления и коэффициента dropout. Для оценки качества работы моделей использованы метрики точности классификации, среднеквадратичной ошибки шумоподавлением и матрицы ошибок.

The work presents a multi-task convolutional neural network based on the U-Net architecture with attention mechanisms and blind denoising, designed for simultaneous noise suppression and classification of noisy images. A review of noise types, denoising methods, the concept of multi-task learning, and heuristic algorithms for hyperparameter optimization is conducted. The Harris Hawk Optimization (HHO) algorithm, which models the cooperative hunting behavior of Harris hawks and provides efficient parameter search, is selected as the primary optimization method. An Attention U-Net architecture with two output branches is developed: an image reconstruction branch (denoising) and a classification branch. The classification head is connected to the bottleneck representation, enabling the use of features of maximum semantic abstraction unaffected by the pixel reconstruction process. Attention Gates on skip connections provide adaptive weighting of spatial features. The blind denoising mode with random selection of noise level σ from the range [0; 0.5] for each training example ensures model universality. The HHO algorithm is adapted for optimizing six hyperparameters: learning rate, number of blocks and filters, convolution kernel size, denoising loss weight, and dropout rate. Classification accuracy, mean squared error of denoising, and confusion matrices are used as quality metrics for model evaluation.