Проєктування та оптимiзацiя глибокої згорткової нейронної мережi на прикладi дослiдження датасету CIFAR-10

С. В. Шкіря; Ю. В. Андрашко

doi:10.24144/2616-7700.2025.47(2).312-319

Автор(и)

С. В. Шкіря ДВНЗ «Ужгородський національний університет», Україна https://orcid.org/0009-0006-7129-2823
Ю. В. Андрашко ДВНЗ "Ужгородський національний університет", Україна http://orcid.org/0000-0003-2306-8377

DOI:

https://doi.org/10.24144/2616-7700.2025.47(2).312-319

Ключові слова:

розпізнавання зображень, згорткова нейронна мережа, CIFAR-10, глибоке навчання,, глибоке навчання, аугментація даних, пакетна нормалізація

Анотація

У даній статті розглянуто розробку та дослідження згорткової нейронної мережі (CNN), яка призначена для класифікації зображень на наборі даних CIFAR-10. Було створено архітектуру, що складається з трьох згорткових блоків, використовуючи пакетну нормалізацію та проріджування, щоб підвищити ефективність і уникнути перенавчання. Модель навчалася з використанням технік аугментації даних та оптимізатора Nadam. Під час експериментів було досягнуто точності класифікації 91.28% на тестовому наборі даних. Результати порівнюються з іншими відомими підходами, що демонструє високу ефективність нашого методу.

Спонсор дослідження

Дослідження здійснено в рамках кафедральної науково-дослідної роботи «Моделі і методи системного аналізу в міждисциплінарних дослідженнях» (державний обліковий номер 0125U003246)

Біографії авторів

С. В. Шкіря, ДВНЗ «Ужгородський національний університет»

аспірант кафедри системного аналізу та теорії оптимізації

Ю. В. Андрашко, ДВНЗ "Ужгородський національний університет"

доцент кафедри системного аналізу та теорії оптимізації. Кандидат технічних наук, доцент

Посилання

Shin, S., Dong Ho, S., & Kim, J. (2024). Implementation and comparison of CNN models on CIFAR-10 dataset. In Proceedings of the 1st World Congresson Industrial Engineering and Operations Management (pp. 496–503). IEOM Society International. https://doi.org/10.46254/WC01.20240168
Guo, K., Lin, Z., Chen, C., Xing, X., Liu, F., & Xu, X. (2024). Compact model training by low-rank projection with energy transfer. IEEE Transactions on Neural Networks and Learning Systems, 36(4), 6708–6722. https://doi.org/10.1109/TNNLS.2024.3400928
Lin, M., Chen, Q., & Yan, S. (2013). Network in network. arXiv. https://doi.org/10.48550/arXiv.1312.4400
He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 770–778). https://doi.org/10.1109/CVPR.2016.90
Li, X., Chen, S., & Yang, J. (2019). Understanding the disharmony between dropout and batch normalization by variance shift. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 268–277). https://doi.org/10.1109/CVPR.2019.00279
Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet Classification with Deep Convolutional Neural Networks. In Advances in Neural Information Processing Systems (pp. 1097–1105).
Huang, G., Liu, Z., van der Maaten, L., & Weinberger, K. Q. (2017). Densely connected convolutional networks. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 2261–2269). https://doi.org/10.1109/CVPR.2017.243
Tan, M., & Le, Q. V. (2019). EfficientNet: Rethinking model scaling for convolutional neural networks. arXiv. https://doi.org/10.48550/arXiv.1905.11946
Shkiria, S. V., & Kornyk, O. V. (2024). Analysis of digital object authentication methods. Scientific Bulletin of Uzhhorod University. Series of Mathematics and Informatics, 45(2), 286–291.https://doi.org/10.24144/2616-7700.2024.45(2).286-291