Особенности организации и применения сверточных нейронных сетей Текст научной статьи по специальности «Компьютерные и информационные науки»

Решетневские чтения. 2017

УДК 004.85

ОСОБЕННОСТИ ОРГАНИЗАЦИИ И ПРИМЕНЕНИЯ СВЕРТОЧНЫХ

нейронных сетей

Нишчхал

Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31

E-mail: [email protected]

Акцентируется внимание на использовании искусственного интеллекта в области компьютерного зрения.

Ключевые слова: сверточная нейронная сеть, СНС, эволюционная оптимизация, компьютерное зрение, машинное обучение.

ORGANIZATIONAL FEATURE AND APPLICATION OF CONVOLUTIONAL

NEURAL NETWORKS

Nishchhal

Reshetnev Siberian State University of Science and Technology 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected]

The article focuses on the use of artificial intelligence in the field of computer vision.

Keywords: convolutional neural network, CNN, evolutionary optimization, computer vision, machine learning.

В настоящее время искусственный интеллект доминирует в мире информационных технологий. Большой интерес у исследователей вызывают возможности искусственных нейронных сетей, которые активно применяются для решения широкого круга научно-технических задач, таких как аппроксимация функционалов, прогнозирование, классификация, распознавание изображений и звука и пр.

Одним из активно развивающихся направлений искусственного интеллекта является создание и развитие систем компьютерного зрения, которые находят применение во многих сферах, например, на производстве, в системах охраны и наблюдения, при организации взаимодействия человека с вычислительными системами, в автоматизированных системах сбора и обработки информации.

Для эффективного решения задач распознавания образов разработана специальная архитектура искусственной нейронной сети - сверточная нейронная сеть (СНС). СНС имитирует организацию системы нейронов зрительной коры головного мозга и, наряду с распознаванием образов, успешно справляется с анализом речи и ременных рядов [1]. СНС обладает рядом преимуществ перед обычным персептроном -нейронной сетью с послойной организацией. За счет использования слоев свертки и пулинга (иначе под-выборки, субдискретизации) СНС позволяет строить сложные иерархии признаков и на их основе проводить идентификацию объектов, обеспечивает инвариантность к масштабу изображения, а концепция разделяемых весовых коэффициентов позволяет значительно сократить время вычислений. СНС неплохо

обучается как с использованием алгоритма обратного распространения ошибки и его модификаций, так и с помощью ряда методов обучения без учителя.

Сверточная нейросетевая модель имеет архитектуру, которая определяется большим количеством настраиваемых параметров: это количество слоев, размерность ядра свёртки и количество ядер для каждого из слоёв, шаг сдвига ядра при обработке слоя, необходимость слоев субдискретизации, степень уменьшения ими размерности, функция по уменьшению размерности (выбор максимума, среднего и т. п.), передаточная функция нейронов, наличие и параметры выходной полносвязной нейросети на выходе свёрточной [2]. Значения данных параметров обычно подбираются исследователями эмпирически, поскольку процесс синтеза структуры СНС практически не формализован. Поэтому выбор конфигурации ней-росети, эффективной для решения новой задачи, представляет собой серьезную проблему для прикладного специалиста, что существенно ограничивает практическое применение данного подхода.

Использование эволюционных алгоритмов для решения сложных многопараметрических оптимизационных задач выбора эффективной структуры ней-росети и ее обучения даст возможность максимально автоматизировать процесс проектирования СНС, а решение оптимизационной задачи формирования конфигурации нейросети в многокритериальной постановке позволит сократить вычислительную сложность модели при сохранении приемлемой точности.

Программные средства и информационные технологии

Библиографические ссылки

1. LeCun Y., Bengio Y. Convolutional Networks for Images, Speech, and Time-Series // The Handbook of Brain Theory and Neural Networks. MIT Press, 1995. P. 255-258.

2. Федотов Д. В., Попов Е. А., Охорзин В. А. Оптимизация структуры сверточной нейронной сети с помощью самоконфигурируемого эволюционного алгоритма в одной задаче идентификации // Вестник СибГАУ. 2015. Т. 16, № 4. C. 857-863.

References

1. LeCun Y., Bengio Y. Convolutional Networks for Images, Speech, and Time-Series // The Handbook of Brain Theory and Neural Networks. MIT Press, 1995. P. 255-258.

2. Fedotov D. V., Popov E. A., Okhorzin V. A. Optimisation of convolutional neural network structurewith self-configuring evolutionary algorithm in one identification problem // Vestnik SibGAU. 2015. Vol. 16, no. 4. P. 857-863.

© Hnmnxan, 2017