УЛУЧШЕНИЕ АРХИТЕКТУРЫ GOOGLENET ДЛЯ ПОВЫШЕНИЯ ТОЧНОСТИ КЛАССИФИКАЦИИ ИЗОБРАЖЕНИЙ
Keywords:
GoogLeNet, Inception, сверточные нейронные сети, классификация изображений, остаточные связи, механизм внимания, глубокое обучение, оптимизация модели.Abstract
Архитектура GoogLeNet (Inception v1), разработанная компанией Google, стала важным этапом развития глубоких сверточных нейронных сетей, продемонстрировав высокую точность на конкурсе ImageNet Large Scale Visual Recognition Challenge. Ключевой особенностью модели является модуль Inception, обеспечивающий многомасштабное извлечение признаков при относительно низком количестве параметров. Однако современные задачи компьютерного зрения требуют дальнейшего повышения точности, устойчивости к шумам и вычислительной эффективности. В данной работе рассматриваются методы улучшения архитектуры GoogLeNet за счёт интеграции остаточных связей, механизмов внимания, глубинно-разделяемых свёрток и современных методов регуляризации. Предлагаемые модификации позволяют повысить качество классификации изображений в медицинской диагностике, промышленной инспекции и интеллектуальных транспортных системах.
References
1. Szegedy C. и др. Going Deeper with Convolutions // CVPR, 2015.
2. He K., Zhang X., Ren S., Sun J. Deep Residual Learning for Image Recognition // CVPR, 2016.
3. Hu J., Shen L., Sun G. Squeeze-and-Excitation Networks // CVPR, 2018.
4. Howard A. et al. MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications, 2017.
5. Гудфеллоу И., Бенджио Й., Курвиль А. Глубокое обучение. — М.: ДМК Пресс, 2018.
6. Лекун Я., Бенджио Й., Хинтон Дж. Deep Learning // Nature, 2015.
