Central AsianResearch Index

ОЦЕНКА ОПТИМАЛЬНЫХ КОНФИГУРАЦИЙ НЕГЛУБОКИХ СВЁРТОЧ-НЫХ НЕЙРОННЫХ СЕТЕЙ НА ДАТАСЕТАХ НИЗКОЙ СЛОЖНОСТИ: EVALUATING OPTIMAL CONFIGURATIONS OF SHALLOW CNNS ON LOW-COMPLEXITY DATASETS

В настоящем исследовании изучается влияние глубины сети, конфигураций размеров ядер и типов свёрточных слоёв на производительность свёр-точных нейронных сетей (CNN) при решении задач классификации изображений. Цель исследования заключается в систематической оценке того, каким образом из-менения размера ядра, стратегии свёртки и глубины сети влияют на точность клас-сификации и вычислительную эффективность. Рассматриваются как неглубокие, так и сети умеренной глубины, что позволяет определить относительную значимость модификаций ядер по сравнению с увеличением глубины сети. С использованием наборов данных MNIST и CIFAR-10 оцениваются размеры ядер от 3×3 до 11×11, конфигурации свёрток, включающие стандартные, дилатированные и страйдовые свёртки, а также глубина сети от двух до восьми свёрточных слоёв при различных разрешениях входных изображений (32×32, 64×64, 128×128 и 256×256 пикселей). Результаты показывают, что для простых наборов данных, таких как MNIST, увели-чение глубины сети обеспечивает ограниченный прирост эффективности, поскольку высокая точность (~97–98 %) достигается даже при использовании неглубоких сетей независимо от вариаций размеров ядер. В отличие от этого, для CIFAR-10 использо-вание ядер меньшего размера на ранних слоях в сочетании с увеличением глубины сети позволяет более эффективно выделять мелкодетализированные признаки, тогда как более крупные ядра на последующих слоях способствуют улучшению способно-сти модели к обобщению при высоком разрешении изображений. Дилатированные свёртки обеспечивают заметное повышение эффективности при работе с изображе-ниями высокого разрешения за счёт сокращения времени инференса (до двукратного ускорения при разрешении 256×256) без снижения точности, особенно в более глу-боких моделях. Страйдовые свёртки, несмотря на вычислительную эффективность, приводят к устойчивому снижению точности вследствие потери пространственной информации на различных уровнях глубины сети. Полученные результаты свиде-тельствуют о том, что оптимальная производительность достигается благодаря сба-лансированному сочетанию конфигурации ядер, стратегии свёртки и глубины сети

Сведения

Опубликовано
2026 · Т. 7, № 2(26), С. 138-152
Язык
Русский
ISSN
2708-2032 · 2708-2040
Издатель
International Information Technology University
Аффилиации
Киевский национальный университет имени Тараса Шевченко, Киев, Украина
Киевский национальный университет строительства и архитектуры, Киев, Украина