НЕЙРОННЫЕ СЕТИ ДЛЯ РАСПОЗНАВАНИЯ ИЗОБРАЖЕНИЙ Текст научной статьи по специальности «Компьютерные и информационные науки»

Ефанов Е.В. студент 4 курса

факультет «Информационных систем и технологий»

Поволжский Государственный Университет Телекоммуникаций и Информатики

Россия, г. Самара НЕЙРОННЫЕ СЕТИ ДЛЯ РАСПОЗНАВАНИЯ ИЗОБРАЖЕНИЙ

Мы рассмотрим виды нейронных сетей, которые лучше всего подходят для распознавания изображений.

Ключевые слова: нейронные сети, распознавание изображений.

Efanov E. student

4 year, Faculty of Information Systems and Technologies Povolzhsky State University of Telecommunications and Informatics

Russia, Samara

NEURAL NETWORKS FOR RECOGNITION OF IMAGES

We will look at the types of neural networks that are best suited for image recognition.

Tags: Neural networks, image recognition.

Нейронные сети

В последнее время наблюдается сильный интерес к нейронным системам, которые сегодня уже нашли применение в разнообразных сферах человеческой деятельности - медицине, бизнесе, технике. Нейронные сети используют для решений задач управления, классификации, прогнозирования. Такой успех определяется следующими причинами:

• Нейросети - это мощнейший метод имитации явлений и процессов, который позволяет показывать сложнейшие зависимости. Нейронные сети являются нелинейными по своей природе, в то же время как на протяжении нескольких лет для создания моделей применялся линейный подход. А также, во многих случаях нейронные сети помогали преодолеть, так называемое, "проклятие размерности", которая обусловлена тем, что создание модели нелинейных явлений требует большого количества вычислительных ресурсов (в случае большого числа переменных).

• Следующая особенность нейросетей связана с тем, что используется механизм обучения. Пользователь нейронной системы подбирает представительные данные и запускает обучающий алгоритм, который сам настраивает параметры сети без участия пользователя. От пользователя только требуется набор эвристических знаний о том, как следует подготавливать и отбирать данные, выбирать необходимую архитектуру нейронной сети и интерпретировать полученные результаты. Однако следует заметить, что уровень знаний, требующийся от пользователя, который необходим для успешного применения нейронной системы, намного меньше, чем, к примеру, при использовании

традиционных методов.

Виды нейронных сетей

Рассмотрим несколько видов нейронных сетей, которые используются для классификации изображений.

В настоящее время существует множество видов нейронных сетей и алгоритмов их обучения. Наиболее простой пример нейронной сети — это персептрон, который имеет вид, показанный на рис. 1.1.

Рис. 1.1 - Персептрон Персептрон может выполнять достаточно много простых задач, но он ограничен по вычислительным возможностям, поэтому были созданы более сложные и крупные нейронный сети называемые многослойными.

Поэтому были разработаны многослойные нейронные сети. На рис. 1.2 представлена структура двухслойной нейронной сети.

Рис. 1.2 - Многослойная нейронная сеть Данный вид нейронных сетей позволяет решать более сложные задачи, но так же это влечет за собой отрицательные последствия в виде увеличения времени обработки, а так же повышением требуемых вычислительных ресурсов.

Далее рассмотрим алгоритм обучения нейронной сети Хопфилда. Данная нейронная сеть состоит из одного слоя нейронов, число нейронов определяется как число входов и выходов сети. При всем этом выход нейрона соединён с входами остальных нейронов данной сети. Поэтому сеть Хопфилда называют полносвязной.

Рис.1.7 - Сеть Хопфилда

У сетей Хопфилда есть два ограничения. Первое - небольшое число запоминаемых образов (около 0.15*n, где n- число входов сети). Второе -достижение устойчивого состояния не дает гарантии правильного отклика сети, так как сеть может образовать ложный аттрактор, который представляет собой смесь фрагментов различных образов.

Так же есть свёрточная нейронная сеть, которая считается самой инновационной в области компьютерного зрения. Впервые эти сети привлекли внимание в 2012 году, когда Алекс Крижевски сумел снизить процент классификации ошибок с 26% до 15%, что и вызвало такой большой интерес. На сегодняшний день глубинное обучение лежит в основе услуг многих компаний: Google - для поиска среди фотографий пользователя, Amazon - для генерации рекомендаций товара, Instagram - для поисковой инфраструктуры.

Но самый популярный вариант использования данных сетей — это обработка изображений.

Задача классификации изображений - это прием начального изображения и вывод его класса (дом, кошка и т. д.) или группы к, вероятнее всего, принадлежит данное изображение. Для людей это навык, который он начинает развивать с рождения.

На рис. 1.8 показана свёрточная нейронная сеть

Рис.1.8 - Свёрточная нейронная сеть

Данная сеть обладает рядом преимуществ, такие как:

• Лучший алгоритм по распознаванию и классификации изображения

• В сравнении с полносвязной нейронной сетью гораздо меньше настраиваемых весов нейронов

• Неплохая устойчивость к повороту и сдвигу распознаваемого изображения

• Обучать данную сеть можно с помощью метода обратного распространения ошибки

Недостатком данной сети является то, что слишком много варьируемых параметров сети. Не всегда понятно, для какой задачи и вычислительной емкости, какие нужны значения

Использованные источники:

1. Галушкин, А. Нейронные сети. Основы теории [Текст]/ A. Галушкин -Горячая линия-Телеком, 2010. - 480 с.

2. Уоссермен, Ф. Нейрокомпьютерная техника: теория и практика [Текст]/ Ф. Уоссермен; ред. Ю.А.Зуева, В.А.Точенова - Мир, 1992. -184 с.

УДК 512.7

Зайналов Б.Р., к.ф.-м.н.

доцент

Узбекистан, г. Самарканд ВЫЧИСЛЕНИЕ СИСТЕМА ОБРАЗУЮЩИХ ДЛЯ ПЕРВОЙ НЕТРИВИАЛЬНОЙ ГРУППЫ ГОМОЛОГИЙ НАД ДЕДЕКИНДОВЫМ КОЛЬЦОМ Аннотация: Работа посвящена доказательству теоремы о порождении стандартными циклами первой нетривиальной группы гомологий симплициальной схемы унимодулярных реперов над дедекиндовым кольцом.

Ключевые слова: стандартные циклы, гомологии, симплициальная схема, унимодулярные реперы, дедекиндовое кольцо.

CALCULATION OF THE SYSTEM OF EDUCATIONAL FOR THE FIRST NONTRIVIAL GROUP OF HOMOLOGIES OVER THE

DEDEKIND RING Abstract: This paper is devoted to the proof of the theorem on generation by standard cycles of the first nontrivial homology group of a simplicial scheme of unimodular frames over a Dedekind ring.

Keywords: standard cycles, homology, simplicial scheme, unimodular frames, Dedekind ring.

Введение. Проблема стабилизации и предстабилизации является одной из классических в алгебраической K -теории. Основы этого направления заложили теоремы Серра [18] о выщеплении свободных прямых слагаемых в проективных модулях, Басса [12] о сокращении, Басса-Васерштейна [1], [2], [3], [4], [5] о стабилизации полной линейной группы.

Для колец арифметического типа с бесконечной группой единиц [13], [8] имеются достаточные основания ожидать, что стабилизация наступает на

один шаг раньше, чем это предсказывает общая теория. Для функтора Ki