في عصر التكنولوجيا الحديثة، تبرز الحوسبة عالية الأبعاد (HD) كبديل جذاب للشبكات العصبية العميقة، خاصة في المجالات التي تتطلب التعلم على أطراف الشبكة (Edge Learning). تعتبر هذه التقنية مثالية بسبب بساطتها وسرعة استدلالها القائم على النماذج، بالإضافة إلى توافقها مع التحديثات عبر الإنترنت.

ومع ذلك، تواجه الأنظمة الحالية صعوبة في الحفاظ على دقتها عندما تتعرض لتغييرات بسيطة، مثل الدوران، الضجيج، أو انسداد البيانات. للتغلب على هذه المشكلة، اعتمدت الدراسة الجديدة على استخراج الأشكال الطوبوغرافية المميزة، مثل الثقوب، من الأشكال الثنائية، وزوجتها بتوقيعات تقوم بتحمل التغيرات في الدوران، والنقل، والمقياس (RTS).

تقوم الطريقة المقترحة ببناء واصفات مستقرة تتعلق بالمحيط الخارجي باستخدام لحظات زيرنيك (Zernike moments) المتنوعة، بينما يتم التعامل مع كل ثقب باستخدام مكون فورير الداخلي (Intrinsic Fourier Descriptor) مع هندسة نسبية مستقرة.

كل شكل أو ثقب يتم تحويله إلى هايبر فيكتور ثنائي القطب عبر إسقاط عشوائي، ويتم دمج مجموعات الثقوب ذات التغيرات المتغيرة بطريقة قابلة للتبديل لتكوين هايبر فيكتور واحد للصور. ولتجنب تضخيم أي من الإشارات، تم تعلم أوزان موثوقية غير سالبة لقنوات زيرنيك والثقوب من مجموعة اختبار عبر دمج متأخر للتشابهات الكوسينية.

أظهرت التجارب على مجموعات بيانات مثل MNIST وEMNIST تحت ظروف تآكل محكومة (الدوران، الضجيج الغاوسي، والانسداد) أن الحوسبة المدعومة بالتركيب الطوبوغرافي تعزز بشكل كبير المرونة مقارنةً بالأساليب التقليدية، مع الحفاظ على دقة عالية عبر طيف واسع من التحديات. وعند المقارنة بشبكة CNN مضغوطة تم تدريبها على بيانات نظيفة، أثبتت الطريقة الجديدة دقة تنافسية مع مرونة أعلى بشكل ملحوظ ضد العديد من التآكلات على مستوى البيكسل، مما يؤكد على أن الهيكلة الطوبوغرافية الواضحة تمثل مسارًا عمليًا للحصول على تمثيلات فعالة وقوية.

للمزيد من التفاصيل، يمكنكم زيارة GitHub هنا.