Интеграция сверточной нейронной сети в систему распознавания образов

Основное содержимое статьи

С. В. Ульянов
А. Г. Решетников
К. В. Кошелев

Аннотация

В данной статье приводится краткое описание архитектуры сверточных нейронных сетей. Описываются преимущества нейросетевого подхода к распознаванию образов. В работе представлено описание процесса интеграции сверточной нейронной сети в систему распознавания образов. В
качестве результата представлен программный модуль распознавания на основе сверточной нейронной сети, продемонстрировано повышение качества распознавания при использовании нейросетевого подхода.

Скачивания

Данные скачивания пока недоступны.

Информация о статье

Как цитировать
1.
Ульянов СВ, Решетников АГ, Кошелев КВ. Интеграция сверточной нейронной сети в систему распознавания образов. Системный анализ в науке и образовании [Интернет]. 16 сентябрь 2021 г. [цитируется по 20 апрель 2024 г.];(2):1-10. доступно на: https://sanse.ru/index.php/sanse/article/view/277
Раздел
Статьи

Библиографические ссылки

Ackley, D. H. A learning algorithm for Boltzmann machines / D. H. Ackley, G. E. Hinton, T. J. Sejnowski // Cognitive Science. — 1985. — Vol. 9. — Pp. 147-169.

Bengio, Y. Learning deep architectures for AI / Y. Bengio // Foundations and Trends in Machine Learning. — 2009. — Vol. 2. — Issue 1. — Pp. 1-127.

Ciresan, D. Multicolumn Deep Neural Networks for Image Classification / D. Ciresan, U. Meier, J. Schmidhuber // In Proceedings of the 2012 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), CVPR '12. — Washington, DC, USA, 2012. IEEE ComputerSociety. — Pp.3642-3649.

Ranzato, M. Unsupervised learning of invariant feature hierarchies with applications to object recognition / M. Ranzato, F. Huang, Y. Boureau, Y. LeCun // in Proceedings of the Computer Vision and Pattern Recognition Conference (CVPR’07), IEEE Press, 2007.

Ranzato, M. A. What is the best multi-stage architecture for object recognition? [Text] / M. A. Ranzato, K. Jarrett, K. Kavukcuoglu, Y. LeCun// In ICCV, 2009.

Гилл, Ф. Практическая оптимизация: Пер. с англ. / Ф. Гилл, У. Мюррей, М. Райт // М.: Мир, 1985. – С. 509.

Гонсалес, Р. Цифровая обработка изображений. Издание 3-е, исправленное и дополненное / Р. Гонсалес, Р. Вудс. — М.: Техносфера, 2012. – С. 1104.

Измайлов, А. Ф. Численные методы оптимизации / А. Ф. Измайлов, М. В. Солодов. — М.: ФИЗМАТЛИТ, 2005. — С. 304.

Немков, Р.М. Разработка нейросетевых алгоритмов инвариантного распознавания образов: диссертация ... кандидата технических наук: 05.13.18 / Немков Роман Михайлович; [Место защиты: Федеральное государственное автономное образовательное учреждение высшего профессионального образования «Северо-Кавказский федеральный университет»]. — Ставрополь, 2015. — С. 162.

Саттон, Р.С. Обучение с подкреплением. : пер. с англ. / Р.С. Саттон, Э.Г. Барто. — М.: Бином. Лаборатория знаний, 2011. — С. 399.

Тархов, Д.А. Нейросетевые модели и алгоритмы. Справочник / Д. А. Тархов. — М.: Радиотехника, 2014. — С. 352.

Ульянов С. В., Решетников А.Г., Кошелев К.В. Разработка системы распознавания образов для мобильного робота // Системный анализ в науке и образовании: сетевое научное издание. – 2016. — №4. — [Электронный ресурс]. URL: http://sanse.ru/download/274.

Хайкин, С. Нейронные сети: полный курс, 2-е издание. / С. Хайкин. — М.: Издательский дом «Вильямс», 2008. — С. 1104.

Шевелёв, И. А. Нейроны-детекторы зрительной коры / И. А. Шевелёв. — М.: Наука, 2010. — С. 183.

Наиболее читаемые статьи этого автора (авторов)

1 2 3 4 5 6 7 8 9 10 > >>