Аналіз ефективності навчання CNN за принципом "вчитель-учень" з використанням непідготовленого image-dataset

Abstract

Штучні нейронні мережі з кожним роком розширюють спектр існуючих та потенційних сфер використання. Якість навчання штучних нейронних мереж є основою якості їх подальшого функціонування. Стаття присвячена аналізу ефективності навчання штучних нейронних мереж класу CNN для розпізнавання непідготовленого набору зображень (Image-Dataset) за принципом "вчитель-учень", де у ролі вчителя виступає попередньо навчена діюча штучна нейронна мережа CNN-1, що завдає алгоритм навчання, а учнем є непідготовлена штучна нейронна система CNN-2. Доведено, що CNN-1 є більш ефективною для пошуку великого спектра об'єктів на зображеннях, а CNN-2 найкраще працює для вузько направлених надточних пошуків завданих об'єктів.

Artificial neural networks expand the range of existing and potential spheres of use each year. The quality of training artificial neural networks is the basis of the quality of their further functioning. The article is devoted to the analysis of the effectiveness of the training of CNN class artificialneural networks for the recognition of an unprepared set of images (Image-Dataset) based on the principle of "teacher-student", in which the acting teacher of artificial neural network CNN-1 pre-trained, which causes the learning algorithm, and the pupil An untrained artificial neural system CNN-2. It is proved that CNN-1 is more effective to search for a large spectrum of objects in images, and CNN-2 worksbest fornarrowly focused precise searchesof objects.