Обучения гурин Владислав Игоревич

Выбор архитектуры нейронной 
сети для классификации дорожных 
знаков
После того как дорожные знаки ло
-
кализованы, необходимо их класси
-
фицировать. Т.к. для достижения этой 
цели были выбраны свёрточные ней
-
ронные сети, то нужно подготовить 
базу для обучения, выбрать архитекту
-
ру нейронной сети и обучить нейрон
-
ную сеть [5].
Сверточная нейронная сеть состоит 
из последовательности субдискрети
-
зирующих и сверточных слоев. Перед 
выходным слоем добавляется один 
или несколько полносвязных слоев, 
которые решают задачу классифика
-
ции. Также на работу сети очень силь
-
но влияет количество карт на каждом 
слое.
Входные данные для сверточной 
сети представляют собой полутоновые 
изображения. От размера зависит вы
-
числительная сложность и точность. В 
работе были использованы изображе
-
ния размером 32х32.

---

НАУКА БЕЗ ГРАНИЦ • № 5(45) 2020
тЕХНИчЕсКИЕ НАУКИ
80
Сверточный слой представляет на
-
бор карт признаков, у каждой карты 
есть синаптическое ядро. От количе
-
ства карт также зависит качество рас
-
познавания и скорость работы сети. 
Наиболее популярное решение – связь 
одной карты из предыдущего слоя с 
двумя картами сверточного слоя.
Ядро используется как окно, с по
-
мощью которого находят нужные 
признаки на изображении. Размер 
ядра, как правило, берут в пределах 
от 3х3 до 7х7. Большое ядро ведет к 
увеличению связей между нейрона
-
ми, что усложняет сеть, в то же время 
маленькое ядро может не выделить 
какие-либо признаки. Размер ядра 
выбирается таким, чтобы размер карт 
сверточного слоя был четным, это по
-
зволяет не терять информацию при 
уменьшении размерности в подвыбо
-
рочном слое.
Ранее упоминалась важная особен
-
ность сверточной сети – локальность. 
Локальность обеспечивается с помо
-
щью небольшого числа связей меж
-
ду нейронами. Таким образом общие 
веса позволяют сократить число свя
-
зей и находить один и тот же признак 
по всей области изображения.
Количество карт в подвыборочном 
слое совпадает с предыдущим слоем. 
Задача этого слоя – уменьшение раз
-
мерности карт предыдущего слоя. 
Если на предыдущей операции сверт
-
ки уже были выявлены некоторые при
-
знаки, то для дальнейшей обработки 
настолько подробное изображение 
уже не нужно, и оно уплотняется до 
менее подробного. Также отсеивание 
ненужных деталей позволяет бороться 
с переобучением.
В отличие от сверточного слоя, при 
сканировании ядром подвыборочного 
слоя окно не пересекается. Таким об
-
разом удается уменьшить карты свер
-
точного слоя в 2 раза, так как, чаще 
всего, каждая карта имеет ядро 2х2.
Из двух элементов выбирается макси
-
мальный.
Цель же последнего слоя заключа
-
ется в классификации. Как правило, 
для этого используют многослойный 
персептрон.
Нейроны каждой карты предыду
-
щего подвыборочного слоя связаны с 
одним нейроном скрытого слоя. Та
-
ким образом число нейронов скрытого 
слоя совпадает с числом карт подвы
-
борочного слоя. Но также допустимы 
более сложные связи.
Выходной слой связан со всеми 
нейронами предыдущего слоя. Коли
-
чество нейронов соответствует коли
-
честву распознаваемых классов. Для 
уменьшения количества связей и вы
-
числений для случая бинарной клас
-
сификации можно использовать один 
нейрон и при использовании в каче
-
стве функции активации гиперболи
-
ческий тангенс.
Важной задачей при проектирова
-
нии нейронной сети является выбор 
функции активации. Как правило, 
используют сигмоидную и линей
-
ную функции. Сигмоида имеет ши
-
рокую популярность из-за простоты 
интерпритации ее выхода, но при 
этом у нее есть серьезный недоста
-
ток, связанный с ее насыщением, из-
за которого происходит затухание 
градиентов. Поэтому в многослой
-
ных сетях часто вместе с сигмоидой 
используют функцию ReLU, благо
-
даря линейности которой повыша
-
ется скорость сходимости градиент
-
ного спуска.
В результате была выбрана следую
-
щая архитектура сверточной нейрон
-
ной сети (табл.).

---

TECHNICAL SCIENCES
SCIENCE WITHOUT BORDERS NO. 5(45) 2020
81
Таблица