Применение сверточных искусственных нейронных сетей для классификации товаров целевой группы по выделенным признакам

Боковая панель статьи

PDF
Опубликован: апр 24, 2025
Ключевые слова:
классификатор, С-ИНС, классификационный код, искусственный интеллект, нейронные сети, преобразование матриц, стохастический градиентный спуск, визуальные признаки classifier, CNN, classification code, artificial intelligence, neural networks, matrix transformation, stochastic gradient descent, visual signs

Основное содержимое статьи

Ф. А. Поляков
Государственный университет «Дубна», Дубна, Московская область
А. П. Поляков
Научно-исследовательский институт точных приборов, Москва, Российская Федерация

Аннотация

В работе рассматривается один из этапов определения кода товарной номенклатуры внешнеэкономической деятельности для товаров, входящих в целевую группу «обувь», состоящий в анализе изображений товарных позиций, присутствующих в сопроводительных документах. Приведено обоснование применения сверточных нейронных сетей для классификации изображений. Рассмотрены возможные подходы к построению специализированных нейросетевых классификаторов. Проведен сравнительный анализ эффективности подходов, основанных на дообучении существующих классификаторов (transfer learning) и на построении сверточных сетей, обученных только на размеченных данных выбранного товарного ассортимента. Исследованы вопросы получения обучающей выборки путем парсинга специализированных сайтов и получения элементов выборки с помощью систем искусственного интеллекта, специализирующихся на генерации изображений по запросу.

Скачивания

Данные скачивания пока недоступны.

Информация о статье

Как цитировать
[1]
Поляков, Ф.А. и Поляков, А.П. 2025. Применение сверточных искусственных нейронных сетей для классификации товаров целевой группы по выделенным признакам. Системный анализ в науке и образовании. 1 (апр. 2025), 1–7.
Выпуск
№ 1 (2025)
Раздел
Моделирование и анализ данных
Лицензия Creative Commons

Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.

Библиографические ссылки

Лекун Ян. Как учится машина : революция в области нейронных сетей и глубокого обучения / Ян Лекун при участии Каролины Бризар ; перевод с французского Е. Арсеновой. – Москва : Альпина ПРО, 2021. – 334 с.

Стивенс Эли. PyTorch. Освещая глубокое обучение / Эли Стивенс, Лука Антига, Томас Виман ; предисловие С. Чинталы. – Санкт-Петербург [и др.] : Питер, 2022. – 572 с

Рамальо Лучано. Python. К вершинам мастерства / Пер. с англ. Слинкин А. А. – Москва : ДМК Пресс, 2016. – 768 с.

Гудфеллоу Я. Глубокое обучение // Я. Гудфеллоу, И. Бенджио, А. Курвилль ; [пер. с англ. А. А. Слинкина]. - 2-е изд., испр. – Москва : ДМК Пресс, 2018. – 652 с.

Поляков Ф. А., Задорожный А. М. Систематизация признаков идентификации товаров для таможенных целей при построении интеллектуальных систем классификации // Системный анализ в науке и образовании: сетевое научное издание. – 2024. – № 2. – С. 30-38. –EDN: GNNNFJ. – URL: https://sanse.ru/index.php/sanse/article/view/617.