Классификация изображений с помощью сверточных нейронных сетей
https://doi.org/10.26907/1562-5419-2024-27-3-366-382
Аннотация
Для классификации изображений в настоящее время можно применить множество различных инструментов, каждый из которых направлен на решение определенного спектра задач. В статье проведен краткий обзор библиотек и технологий для классификации изображений. Построена архитектура простой свёрточной нейронной сети для классификации изображений.
Были проведены эксперименты по распознаванию изображений с такими популярными нейронными сетями, как VGG16 и ResNet 50. Обе нейронные сети показали хорошие результаты. Однако ResNet 50 переобучилась из-за того, что в наборе данных присутствовали однотипные изображения для обучения, поскольку в данной нейронной сети больше слоев, позволяющих считывать признаки объектов на изображениях. С обученными моделями был проведен сравнительный анализ по распознаванию изображений, специально подготовленных для этого эксперимента.
Для классификации изображений в настоящее время можно применить множество различных инструментов, каждый из которых направлен на решение определенного спектра задач. В статье проведен краткий обзор библиотек и технологий для классификации изображений. Построена архитектура простой свёрточной нейронной сети для классификации изображений.
Были проведены эксперименты по распознаванию изображений с такими популярными нейронными сетями, как VGG16 и ResNet 50. Обе нейронные сети показали хорошие результаты. Однако ResNet 50 переобучилась из-за того, что в наборе данных присутствовали однотипные изображения для обучения, поскольку в данной нейронной сети больше слоев, позволяющих считывать признаки объектов на изображениях. С обученными моделями был проведен сравнительный анализ по распознаванию изображений, специально подготовленных для этого эксперимента.
Список литературы
1. Фисько Д.В. Обзор методов условной генерации изображений нейросетевыми моделями // Актуальные вопросы современной науки и технологий. 2021. С. 57–62.
2. Мосин Е.Д., Белов Ю.С. Генерация музыки с использованием двунаправленной рекуррентной нейронной сети // Научное обозрение. Технические науки. 2023. № 1. С. 10–14. https://doi.org/10.17513/srts.1419
3. Козар Б.А., Кугуракова В.В., Сахибгареева Г.Ф. Структуризация сущностей естественного текста с использованием нейронных сетей для генерации трехмерных сцен // Программные продукты и системы. 2022. Т. 35. № 3. С. 329–339. https://doi.org/10.15827/0236-235X.139.329-339.
4. Пантюхин Д.В. Нейронные сети синтеза речи голосовых помощников и поющих автоматов // Речевые технологии/Speech Technologies. 2021. № 3-4. С. 3–16. https://doi.org/10.58633/2305-8129_2021_3-4_3
5. Шамансуров Ш. Влияние искусственного интеллекта на развитие области синхронного перевода // Oriental renaissance: Innovative, educational, natural and social sciences. 2023. Т. 3. № 23. С. 305–309. https://doi.org/10.5281/zenodo.10365801
6. Pang B., Nijkamp E., Wu Y.N. Deep learning with tensorflow: a review // Journal of Educational and Behavioral Statistics. 2020. Vol. 45. No. 2. P. 227–248. https://doi.org/10.3102/1076998619872761
7. Ketkar N., Ketkar N. Introduction to Keras // Deep learning with python: a hands-on introduction. 2017. P. 97–111. https://doi.org/10.1007/978-1-4842-2766-4_7
8. Convolutional Neural Networks. URL: https://www.ibm.com/topics/convolutional-neural-networks
9. Sapijaszko G., Mikhael W.B. An overview of recent convolutional neural network algorithms for image recognition // 2018 IEEE 61st International midwest symposium on circuits and systems (MWSCAS). IEEE, 2018. P. 743–746. https://doi.org/10.1109/MWSCAS.2018.8623911
10. He K. et al. Deep residual learning for image recognition // Proceedings of the IEEE conference on computer vision and pattern recognition. 2016. P. 770–778. https://doi.org/10.48550/arXiv.1512.03385
11. Nguyen V. Bayesian optimization for accelerating hyper-parameter tuning // 2019 IEEE second international conference on artificial intelligence and knowledge engineering (AIKE). IEEE. 2019. P. 302–305. https://doi.org/10.1109/AIKE.2019.00060
12. Poojary R., Raina R., Mondal A.K. Effect of data-augmentation on fine-tuned CNN model performance // IAES International Journal of Artificial Intelligence. 2021. Vol. 10. No. 1. P. 84. https://doi.org/10.11591/ijai.v10.i1.pp84-92
13. Tian Y., Zhang Y. A comprehensive survey on regularization strategies in machine learning // Information Fusion. 2022. Vol. 80. P. 146–166. https://doi.org/10.1016/j.inffus.2021.11.005
14. Fruits 360. URL: https://www.kaggle.com/datasets/moltean/fruits
15. PyCharm, Quick start guide. URL: https://www.jetbrains.com/help/pycharm/quick-start-guide.html
16. MacOS. URL: https://www.apple.com/za/macos/what-is/
17. Zhang Z. Analysis of the Advantages of the M1 CPU and Its Impact on the Future Development of Apple // 2021 2nd International Conference on Big Data & Artificial Intelligence & Software Engineering (ICBASE). IEEE, 2021. P. 732–735. https://doi.org/10.1109/ICBASE53849.2021.00143
18. Tensorflow Macos. URL: https://developer.apple.com/metal/tensorflow-plugin/
19. Conv2D layer. URL: https://keras.io/api/layers/convolution_layers/convolution2d/
20. MaxPooling2D layer. URL: https://keras.io/api/layers/pooling_layers/max_pooling2d/
21. Flatten layer. URL: https://keras.io/api/layers/reshaping_layers/flatten/
22. Dense layer. URL: https://keras.io/api/layers/core_layers/dense/
23. Dropout layer. URL: https://keras.io/api/layers/regularization_layers/dropout/
24. Layer activation functions, Softmax function. URL: https://keras.io/api/layers/activations/#softmax-function
Рецензия
Для цитирования:
Филиппов С.А. Классификация изображений с помощью сверточных нейронных сетей . Электронные библиотеки. 2024;27(3):366-382. https://doi.org/10.26907/1562-5419-2024-27-3-366-382
For citation:
Filippov S.A. Image Classification using Convolutional Neural Networks. Russian Digital Libraries Journal. 2024;27(3):366-382. (In Russ.) https://doi.org/10.26907/1562-5419-2024-27-3-366-382
Просмотров:
20
Послать статью по эл. почте 