Registration Number
2124U015029, Article
popup.category
Стаття
Title
Classification of Sunflowers by the Means of ConvolutionalCapsular Model of Neural Network CNN-Capsnet
popup.author
Книш Б. П.
Кулик Я. А.
Knysh B. P.
Kulyk Ya. A.
Knysh B. P.
Kulyk Ya. A.
popup.publication
01-01-2024
popup.source_user
Вінницький національний технічний університет
popup.source
https://ir.lib.vntu.edu.ua/handle/123456789/43666
popup.publisher
Вінницький національний технічний університет
Description
Запропоновано класифікацію соняшника за допомогою згортково-капсульної моделі нейронної мережі CNN-CapsNet з удосконаленою архітектурою, яка поєднує згорткову нейронну мережу CNN та капсульну нейронну мережу CapsNet та дозволяє використати переваги цих обох архітектур. На основі проведеного літературного огляду встановлено, що перевагою згорткової нейронної мережі CNN є коротший час навчання, а капсульної нейронної мережі CapsNet — більша точність, надійність та можливість ефективно працювати зі складними задачами. Поєднання згорткової нейронної мережі CNN та капсульної нейронної мережі CapsNet та вдосконалення архітектури CNN-CapsNet проводилося шляхом внесення змін в CapsNet. Ці зміни полягають в тому, що у динамічній маршрутизації процес зворотного зв`язку додає підтримку для капсули, яка найбільше відповідає вихідному сигналу. Також застосовуються функції активації для апроксимації нелінійних з`єднань у глибоких мережах. Вони реалізовані як базові математичні функції, зазвичай для скалярних величин. Згорткові шари використовуються для отримання початкових карт функцій, які потім завантажуються в модель CapsNet для виконання остаточної класифікації. На основі цього розроблено дві окремі моделі. Одна модель виконує класифікацію на основі двох класів: «незрілий соняшник» та «стиглий соняшник». Друга модель виконує класифікацію на основі трьох класів: «незрілий соняшник», «стиглий соняшник» та «хворий соняшник». Основними показниками ефективності нейронної мережі CNN-CapsNet вибрано такі характеристики як точність класифікації, чутливість та F-оцінка на основі помилок І і ІІ роду. Для аналізу цих показників побудовано матриці помилок і графіки точності та похибок цих моделей. Здійснене порівняння запропонованих моделей нейронної мережі CNN-CapsNet з подібними продемонструвало найбільшу точність саме запропонованих моделей.
popup.nrat_date
2026-11-02
