ПРО ОСОБЛИВОСТІ ФОРМУВАННЯ ДЕСКРИПТОРІВ У СІАМСЬКІЙ НЕЙРОННІЙ МЕРЕЖІ
Ключові слова:
сіамська нейронна мережа, дескриптор, тестування нейронної мережі
Анотація
Предмет дослідження ̶ процеси розпізнавання зображень рукописних цифр із застосуванням нейронних мереж. Додаток для розпізнавання ґрунтується на архітектурі сіамської мережі з нейронними згортковими підмережами. Мета статті ̶ обґрунтування вибору N-вимірних векторних уявлень вхідних зображень для опису їх властивостей, порівняння та їхнього розпізнавання. Завдання: експериментальне дослідження розпізнавання зображень рукописних цифр із використанням архітектури сіамської нейронної мережі. Методи досліджень: метод прямого пошуку для функцій з декількома змінними для визначення N-вимірних векторних представлений вхідних зображень. Методи досліджень: метод прямого пошуку для функцій з декількома змінними для визначення N-вимірних векторних уявлень вхідних зображень. Результати досліджень. Результати досліджень. Проведено визначення N-вимірних векторних уявлень вхідних зображень рукописних цифр та досліджено їх характеристики. Виконано експериментальне дослідження розпізнавання зображень із використанням векторних уявлень зображень у рамках архітектури сіамської нейронної мережі. Показано, що запропоновані методи визначення векторних N-вимірних уявлень вхідних зображень є робастними і незначно впливають на кількість помилок при тестуванні розпізнавання. Під час тестування використовувалися зображення рукописних цифр із тестового набору MNIST. Визначено, що використання наперед вибраних еталонних уявлень вхідних зображень дозволяє спростити архітектуру сіамської мережі. Висновки. Результати, отримані в роботі, можуть бути використані при порівняльній оцінці та визначенні N-вимірних векторних уявлень різних класів вхідних зображень з метою розпізнавання їх з використанням архітектури сіамської нейронної мережі.Завантаження
Дані про завантаження поки що недоступні.
Посилання
1. Chicco D. Siamese Neural Networks: An Overview. Artificial Neural Networks. MIMB, vol. 2190, 2020, pp. 73-94.
2. Contrastive loss for Siamese networks with Keras and TensorFlow [Электронный ресурс]. – Режим доступа: https://www.pyimagesearch.com/2021/01/18/contrastive-loss-for-siamese-networks-with-keras-and-tensorflow/.
3. Image similarity estimation using a Siamese Network with a contrastive loss [Электронный ресурс]. – Режим доступа: https://keras.io/examples/vision/siamese_contrastive/.
4. Schroff F., Kalenichenko D., Philbin J. FaceNet: A unified embedding for face recognition and clustering. Proceedings of the IEEE CSC on CVPR, 2015, рp. 815-823.
5. The Mnist database of handwritten digits [Электронный ресурс]. – Режим доступа: http://yann.lecun.com/exdb/mnist/.
6. Банди Б. Методы оптимизации. Вводный курс. – М.: Радио и связь, 1988. – 128 с.
2. Contrastive loss for Siamese networks with Keras and TensorFlow [Электронный ресурс]. – Режим доступа: https://www.pyimagesearch.com/2021/01/18/contrastive-loss-for-siamese-networks-with-keras-and-tensorflow/.
3. Image similarity estimation using a Siamese Network with a contrastive loss [Электронный ресурс]. – Режим доступа: https://keras.io/examples/vision/siamese_contrastive/.
4. Schroff F., Kalenichenko D., Philbin J. FaceNet: A unified embedding for face recognition and clustering. Proceedings of the IEEE CSC on CVPR, 2015, рp. 815-823.
5. The Mnist database of handwritten digits [Электронный ресурс]. – Режим доступа: http://yann.lecun.com/exdb/mnist/.
6. Банди Б. Методы оптимизации. Вводный курс. – М.: Радио и связь, 1988. – 128 с.
Опубліковано
2021-12-01
Як цитувати
Shostak A. Про особливості формування дескрипторів у сіамській нейронній мережі / A. Shostak // Системи управління, навігації та зв’язку. Збірник наукових праць. – Полтава: ПНТУ, 2021. – Т. 4 (66). – С. 79-82. – doi:https://doi.org/10.26906/SUNZ.2021.4.079.
Розділ
Інформаційні технології
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
