STRUCTURAL AND FUNCTIONAL MODEL OF A CONVOLUTIONAL NEURAL NETWORK FOR PROCESSING, ANALYSING AND CLASSIFYING IMAGES OF VARYING COMPLEXITY

Oleksandr Mozhaiev; Heorhii Kuchuk; Renat Safarov; Maksym Lavrovskyi; Kostiantyn Moroz

doi:10.26906/SUNZ.2025.4.103

Автор(и)

Oleksandr Mozhaiev
Heorhii Kuchuk
Renat Safarov
Maksym Lavrovskyi
Kostiantyn Moroz

DOI:

https://doi.org/10.26906/SUNZ.2025.4.103

Ключові слова:

згорткова нейронна мережа, обробка зображень, класифікація, аналіз ознак, структурнофункціональна модель, глибоке навчання

Анотація

У статті представлено структурно-функціональну модель згорткової нейронної мережі (ЗНМ), призначену для обробки, аналізу та класифікації зображень різної складності. Модель базується на багаторівневій архітектурі з використанням згорткових, залишкових і паралельних обчислювальних блоків, що забезпечують високу адаптивність до різних типів вхідних даних. Вхідний тензор нормалізується за середнім і стандартним відхиленням вибірки, що дозволяє зменшити варіативність даних і стабілізувати процес навчання. Перший згортковий шар виконує початкове виділення ознак зображення з активацією типу ELU, яка забезпечує безперервність градієнтів та усуває проблему “мертвих нейронів”. Реалізація залишкових зв’язків (skip connections) забезпечує сталість інформаційних потоків та підвищує стабільність навчання. Отримані результати демонструють підвищену точність класифікації та стійкість до шумів у порівнянні з базовими CNN-архітектурами.

Завантаження

Дані завантаження ще не доступні.

Посилання

1. Hussain, S., Lu, L. Mubeen, M., Nasim, W., Karuppannan, S., Fahad, S., Tariq, A., Mousa, B. G., Mumtaz, F. & Aslam, M. Spatiotemporal variation in land use land cover in the response to local climate change using multispectral remote sensing data. Land, 2022, vol. 11, no. 5, article no. 595. DOI: https://doi.org/10.3390/land11050595

2. Yaloveha, V., Hlavcheva, D., Podorozhniak, A. & Kuchuk, H. Fire hazard research of forest areas based on the use of convolutional and capsule neural networks. 2019 IEEE 2nd Ukraine Conference on Electrical and Computer Engineering (UKRCON), 2019, pp. 828-832. DOI: https://doi.org/10.1109/UKRCON.2019.8879867

3. Radočaj, D., Jurišić, M. & Gašparović, M. The Role of Remote Sensing Data and Methods in a Modern Approach to Fertilization in Precision Agriculture. Remote Sensing, 2022, vol. 14, no. 3, DOI: https://doi.org/10.3390/rs14030778

4. Munawar, H. S., Hammad, A. W. A. & Waller, S. T. Remote Sensing Methods for Flood Prediction: A Review. Sensors, 2022, vol. 22, no. 3, article no. 960. DOI: https://doi.org/10.3390/s22030960

5. Barabash, O., Bandurka, O., Svynchuk, O. & Tverdenko, H. Method of identification of tree species composition of forests on the basis of geographic information database. Advanced Information Systems, 2022, vol. 6, no. 4, pp 5-10. DOI: https://doi.org/10.20998/2522-9052.2022.4.01

6. Svyrydov, A., Kuchuk, H. and Tsiapa, O. (2018), “Improving efficienty of image recognition process: Approach and case study”, Proceedings of 2018 IEEE 9th International Conference on Dependable Systems, Services and Technologies, DESSERT 2018, pp. 593–597, doi: https://doi.org/10.1109/DESSERT.2018.8409201

7. Alganci, U., Soydas, M. & Sertel, E. Comparative research on deep learning approaches for airplane detection from very highresolution satellite images. Remote Sensing, 2020, vol. 12, no. 3, article no. 458. DOI: https://doi.org/10.3390/rs12030458

8. Kuchuk, H. and Malokhvii, E. (2024), “Integration of IOT with Cloud, Fog, and Edge Computing: A Review”, Advanced Information Systems, vol. 8(2), pp. 65–78, doi: https://doi.org/10.20998/2522-9052.2024.2.08

9. Weiss, K., Khoshgoftaar, T. M. & Wang, D. D. A survey of transfer learning. Journal of Big data, 2016, vol. 3, article no. 9. DOI: https://doi.org/10.1186/s40537-016-0043-6

10. Hlavcheva, D., Yaloveha, V., Podorozhniak, A. & Kuchuk, H. Tumor nuclei detection in histopathology images using R – CNN. CEUR Workshop Proceedings, 2020. vol. 2740, pp. 63-74. Available at: https://ceur-ws.org/Vol-2740/20200063.pdf

11. He, K., Zhang, X., Ren, S. & Sun, J. Deep residual learning for image recognition. Proceedings of the IEEE conference on computer vision and pattern recognition, 2016, pp. 770-778. DOI: https://doi.org/10.1109/CVPR.2016.90

12. Yaloveha, V., Podorozhniak, A. & Kuchuk, H. CNN hyperparameter optimization applied to land cover classification. Radioelectronic and computer systems, 2022, no. 1 (101), pp. 115-128. DOI: https://doi.org/10.32620/reks.2022.1.09

13. Hlavcheva, D., Yaloveha, V., Podorozhniak, A. & Kuchuk, H. Comparison of CNNs for Lung Biopsy Images Classification. 2021 IEEE 3rd Ukraine Conference on Electrical and Computer Engineering, UKRCON 2021 – Proceedings, 2021, pp. 1–5. DOI: https://doi.org/10.1109/UKRCON53503.2021.9575305

14. Tan, M. & Le, Q. V. Efficientnetv2: Smaller models and faster training. ArXiv (Cornell University), Preprint arXiv:2104.00298, 2021. DOI: https://doi.org/10.48550/arXiv.2104.00298

15. Carneiro, T., Da Nóbrega, R. V. M., Nepomuceno, T., Bian, G.-B., De Albuquerque, V. H. C. & Filho, P. P. R. Performance analysis of google colaboratory as a tool for accelerating deep learning applications. IEEE Access, 2018, vol. 6, pp. 61677- 61685. DOI: https://doi.org/10.1109/ACCESS.2018.2874767