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

ومع ذلك، تواجه الأنظمة الحالية صعوبة في الحفاظ على دقتها عندما تتعرض لتغييرات بسيطة، مثل الدوران، الضجيج، أو انسداد [البيانات](/tag/البيانات). للتغلب على هذه المشكلة، اعتمدت [الدراسة](/tag/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](/tag/هندسة) نسبية مستقرة.

كل شكل أو ثقب يتم تحويله إلى هايبر فيكتور ثنائي القطب [عبر](/tag/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](/tag/تعلم) أوزان [موثوقية](/tag/موثوقية) غير سالبة لقنوات زيرنيك والثقوب من مجموعة اختبار [عبر](/tag/عبر) دمج متأخر للتشابهات الكوسينية.

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

للمزيد من التفاصيل، يمكنكم زيارة [GitHub هنا](https://github.com/arpan-kusari/Topological-HDC).