Навчання моделей згорткових нейронних мереж виявленню об’єктів, сцен і контекстів на зображеннях
Ключові слова:
виявлення об'єктів, згорткові нейронні мережі, класифікація зображень, глибоке навчання, комп'ютерний зірАнотація
Мета. Дослідження присвячене розробці оптимізованої згорткової нейронної мережі (CNN) для виявлення об'єктів, сцен та контекстів у різноманітних зображеннях. Дослідження зосереджується на вдосконаленні архітектури, методів навчання та продуктивності CNN у завданнях комп'ютерного зору, що є важливим для різних галузей. Дизайн / Метод / Підхід. У дослідженні використовуються Python, TensorFlow та Keras для створення та навчання CNN на наборі даних CIFAR-10. Для покращення продуктивності моделі було застосовано налаштування гіперпараметрів і техніки аугументації даних. Результати. Модель CNN, навчена на CIFAR-10, показала високу ефективність, досягнувши точності приблизно 85% на тестовому наборі, що підкреслює її здатність класифікувати різноманітні об’єкти. Методи аугментації даних значно покращили загальні результати, зробивши модель більш стійкою до варіацій у зображеннях. Теоретичне значення. Дослідження підкреслює важливість належної підготовки даних, включаючи нормалізацію та аугментацію зображень, для досягнення високої точності моделей CNN. Практичне значення. Застосування згорткових нейронних мереж у реальних сценаріях, таких як безпека, медицина та автономні системи, є революційним. Ці моделі можуть точно виявляти об'єкти та розуміти контексти, відкриваючи нові можливості для інновацій та автоматизації у різних галузях. Оригінальність / Цінність. Дане дослідження робить цінний внесок у сферу вивчення згорткових нейронних мереж, демонструючи успішне навчання та оптимізацію моделі для виявлення об'єктів. Поєднання аугментації даних, дизайну архітектури та налаштування гіперпараметрів підкреслює ефективний підхід до досягнення високої точності. Обмеження дослідження / Майбутні дослідження. Майбутні дослідження можуть робити фокус на альтернативні архітектури CNN та більші набори даних для підвищення точності виявлення об'єктів. Крім того, впровадження нових стратегій навчання може покращити продуктивність моделі в складніших і різноманітніших середовищах. Тип статті. Прикладне дослідження.
Завантажити
Посилання
Liu, Ruishen. "Face Recognition Based on Convolutional Neural Networks." Highlights in Science, Engineering and Technology 16 (November 10, 2022): 32–39. http://dx.doi.org/10.54097/hset.v16i.2225.
Liu, Zhizhe, Luo Sun, and Qian Zhang. "High Similarity Image Recognition and Classification Algorithm Based on Convolutional Neural Network." Computational Intelligence and Neuroscience 2022 (April 12, 2022): 1–10. http://dx.doi.org/10.1155/2022/2836486.
Ma, Hongli, Fang Xie, Tao Chen, Lei Liang, and Jie Lu. "Image recognition algorithms based on deep learning." Journal of Physics: Conference Series 2137, no. 1 (December 1, 2021): 012056. http://dx.doi.org/10.1088/1742-6596/2137/1/012056.
Ozturk, Saban. Convolutional Neural Networks for Medical Image Processing Applications. Boca Raton: CRC Press, 2022. http://dx.doi.org/10.1201/9781003215141.
Sarada, N., and K. Thirupathi Rao. "A Neural Network Architecture Using Separable Neural Networks for the Identification of “Pneumonia” in Digital Chest Radiographs." International Journal of e-Collaboration 17, no. 1 (January 2021): 89–100. http://dx.doi.org/10.4018/ijec.2021010106.
Teoh, Teik Toe. Convolutional Neural Networks for Medical Applications. Singapore: Springer Nature Singapore, 2023. http://dx.doi.org/10.1007/978-981-19-8814-1.
Upreti A. Convolutional Neural Network (CNN): A comprehensive overview. International Journal of Multidisciplinary Research and Growth Evaluation. 2022. P. 488–493. URL: https://doi.org/10.54660/anfo.2022.3.4.18.
Wang, Lingfeng. "Forecast Model of TV Show Rating Based on Convolutional Neural Network." Complexity 2021 (February 24, 2021): 1–10. http://dx.doi.org/10.1155/2021/6694538.
Yamashita R., Nishio M., Do R., Togashi K., "Convolutional neural networks: an overview and application in radiology," Insights into Imaging, vol. 9, 2018, https://doi.org/10.1007/s13244-018-0639-9.
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2024 Roman Orlov, Serhii Taboranskiy (Author)
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
Всі статті, опубліковані в журналі Challenges and Issues of Modern Science, ліцензовані за ліцензією Creative Commons Attribution 4.0 International (CC BY). Це означає, що ви можете:
- Поширювати, копіювати та передавати статтю
- Адаптувати, реміксувати та створювати похідні роботи на основі статті
за умови, що ви надаєте належне посилання на оригінальну роботу, вказуєте ім'я авторів, назву статті, журнал та наявність ліцензії CC BY. Будь-яке використання матеріалів не повинно припускати схвалення авторами або журналом використаного матеріалу.
