ДОСЛІДЖЕННЯ АЛГОРИТМІВ НАВЧАННЯ НЕЙРОННОЇ МЕРЕЖІ ДЛЯ КЛАСИФІКАЦІЇ ЗОБРАЖЕНЬ

Раїса Захарченко, Леонід Захарченко, Тетяна Кірюшатова, Олена Штуца

Анотація


Метою є дослідження алгоритмів навчання штучної нейронної мережі для класифікації зображень
з достатньою точністю передбачення придатності зображення до класу.
Методи дослідження. В роботі використані методи наукових досліджень такі як: експеримент, аналіз результатів
діяльності. Із теоретичних методів дослідження використані: аналіз, синтез, порівняння.
Основні результати дослідження. Досліджено алгоритми та механізми швидкого навчання штучних нейронних
мереж з наведеними прикладами, визначено їх переваги та недоліки. Результатом дослідження став розроблений
програмний продукт, який показує користувачу втрати та точність на кожній епосі навчання, що допомагає зрозу-
міти, чи в правильному напрямку модель рухається під час навчання. Для моделі будуть побудовані графіки для
демонстрації її результатів, а також зображення, користувач може скористатися своєю моделлю на практиці. Викори-
стані методи дали кращі результати, перенавчання майже не відчувається
Наукова новизна. Розроблений програмний продукт для класифікації зображень до однієї категорії з достатньою точ-
ністю передбачення придатності зображення до класу, який можна використовувати для подальшого покращення резуль-
татів шляхом внесення поступових змін з використанням додаткових методів проектування штучних нейронних мереж.
Практична значимість. З кожним роком все більший інтерес людства викликає застосування штучного інте-
лекту в сферах життєдіяльності людини. Дана тема є дуже актуальною для вивчення в наш час, коли штучний
інтелект все більш активно починає впроваджуватися у різні сфери, такі як маркетинг, сільське господарство, нав-
чання, медицину, економіку, зв’язок, безпеку охоронних систем, обробку інформації і т.д. Розроблений додаток може
стати основою для розширення кількості охоплюваних образів, або стати частиною більш складної системи. Резуль-
тати дослідження можна використовувати у навчальному процесі для наочного представлення переваг та недоліків
методів машинного навчання, принципів їх використання у сфері розпізнавання образів.


Ключові слова


машинне навчання; алгоритми; методи навчання; нейрони; нейронна мережа; згорткова нейронна мережа

Повний текст:

PDF

Посилання


Aurora Sanjeev. Computational Complexity – A Modern Approach / Sanjeev Aurora, B. Boaz. – Cambridge: 2009. – 325 р.

Jain A.K. and Mao J. «Neural Networks and Pattern Recognition», in Computational Intelligence: Imitating Life, J.M. Zurada, R.J. Marks II, and

C.J. Robinson, eds., IEEE Press, Piscataway, N.J. – 1994. – Pp. 194–212.

Anderson J.A. and Rosenfeld E. «Neurocomputing: Foundation of Research», MIT Press, Cambridge, Mass. – 1988.

Feldman J., Fanty M.A., and Goddard N.H., «Computing with Structured Neural Networks», Computer, Vol. 21, No. 3. – Mar.1988. – Pp. 91–103.

Вьюгин В.В. Математические основы машинного обучения и прогнозирования. – изд. МЦНМО – 2013. – 304 с.

Волосюк Ю. Аналіз алгоритмів кластеризації для задач інтелектуального аналізу даних / Ю.В. Волосюк // Інформаційні технології. – 2014. – С. 112–119.

Осовський С. Нейронні мережі для обробки інформації / Пер. з польского І.Д. Рудинського. – М. : Фінанси и статистика. – 2002.

Згорткова нейронна мережа – просте пояснення CNN та її застосування. Evergreen. [Электронный ресурс] – Режим доступу до ресурсу: https://evergreens.com.ua/ua/articles/cnn.html




DOI: https://doi.org/10.35546/2313-0687.2020.27.44-53

Посилання

  • Поки немає зовнішніх посилань.