Реєстраційний номер
2124U015029, Матеріали видань та локальних репозитаріїв
Категорія
Стаття
Назва роботи
Класифікація соняшника за допомогою згортково-капсульної моделі нейроної мережі CNN-CapsNet
Classification of Sunflowers by the Means of ConvolutionalCapsular Model of Neural Network CNN-Capsnet
Автор
Книш Б. П.
Кулик Я. А.
Knysh B. P.
Kulyk Ya. A.
Knysh B. P.
Kulyk Ya. A.
Дата публікації
01-01-2024
Постачальник інформації
Вінницький національний технічний університет
Першоджерело
https://ir.lib.vntu.edu.ua/handle/123456789/43666
Видання
Вінницький національний технічний університет
Опис
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.
Додано/оновлено в НРАТ
2026-11-02
