Structural and functional model of a convolutional neural network for processing, analysing and classifying images of varying complexity

Abstract

The article presents presents a structural and functional model of a convolutional neural network (CNN) designed for processing, analysing and classifying images of varying complexity. The model is based on a multi-level architecture using convolutional, residual and parallel computing blocks, which ensure high adaptability to different types of input data. The input tensor is normalised by the mean and standard deviation of the sample, which reduces data variability and stabilises the learning process. The first convolutional layer performs the initial extraction of image features with ELU activation, which ensures continuity of gradients and eliminates the problem of ‘dead neurons.’ The implementation of skip connections ensures the consistency of information flows and increases the stability of training. The results demonstrate increased classification accuracy and noise resistance compared to basic CNN architectures. У статті представлено структурно-функціональну модель згорткової нейронної мережі (ЗНМ), призначену для обробки, аналізу та класифікації зображень різної складності. Модель базується на багаторівневій архітектурі з використанням згорткових, залишкових і паралельних обчислювальних блоків, що забезпечують високу адаптивність до різних типів вхідних даних. Вхідний тензор нормалізується за середнім і стандартним відхиленням вибірки, що дозволяє зменшити варіативність даних і стабілізувати процес навчання. Перший згортковий шар виконує початкове виділення ознак зображення з активацією типу ELU, яка забезпечує безперервність градієнтів та усуває проблему “мертвих нейронів”. Реалізація залишкових зв’язків (skip connections) забезпечує сталість інформаційних потоків та підвищує стабільність навчання. Отримані результати демонструють підвищену точність класифікації та стійкість до шумів у порівнянні з базовими CNN-архітектурами.