Ամսագրի կամ հրապարակման վերնագիր:
Հրապարակման ամսաթիվ:
Համար:
ISSN:
Լրացուցիչ տեղեկություն:
Վեզիրյան Ռաֆայել Մ., Խաչատրյան Ռաֆայել Ն., Везирян Рафаэль М., Хачатрян Рафаэль Н.
Վերնագիր:
Convolutional Neural Network (CNN) Layer Development for Effectiveness of Classification Tasks
Այլ վերնագիր:
Կոնվոլյուցիոն նեյրոնային ցանցի շերտի մշակում դասակարգման առաջադրանքների արդյունավետության համար ; Разработка слоя сверточной нейронной сети для повышения эффективности задач классификации
Ստեղծողը:
Veziryan, Rafayel M. ; Khachatryan, Rafayel N.
Համատեղ հեղինակները:
Institute for Informatics and Automation Problems of NAS RA ; Questrade Armenia Inc., Yerevan
Խորագիր:
Mathematical cybernetics ; Computer science
Չվերահսկվող բանալի բառեր:
DCNN ; Classification task ; Image processing ; ResNet ; PDE ; Cable equation ; Grid method
Ծածկույթ:
Ամփոփում:
This paper presents a novel 2D convolutional layer motivated by the principles of Partial Differential Equation (PDE) of Neural Interaction. Our objective is to leverage this layer to enhance the classification accuracy of Deep Convolutional Neural Networks (DCNN) for various classification tasks. We place a particular emphasis on its integration within the ResNet architecture, and we conduct experimental evaluations on the CIFAR10 and STL10 datasets to validate its efficacy.
Այս հոդվածը ներկայացնում է նոր 2D կոնվոլյուցիոն շերտ, որը հիմնված էնեյրոնային փոխազդեցության մասնակի դիֆերենցիալ հավասարման սկզբունքների վրա: Մեր նպատակն էօգտագործել այս շերտը` բարձրացնելու խորը կոնվոլյուցիոն նեյրոնային ցանցերի դասակարգման ճշգրտությունը տարբեր դասակարգման առաջադրանքների համար: Մենք հատուկ շեշտը դնում ենք ResNet ճարտարապետության մեջ դրա ինտեգրման վրա, և փորձնական գնահատումներ ենք անցկացնում CIFAR10 և STL10 տվյալների հավաքածուների վրա` շերտի արդյունավետությունը հաստատելու համար:
В этой статье представлен новый двумерный сверточный слой, основанный на принципах уравнения в частных производных нейронного взаимодействия. Наша цель использовать этот слой для повышения точности классификации глубоких сверточных нейронных сетей для различных задач классификации. Мы уделяем особое внимание его интеграции в архитектуру ResNet и проводим экспериментальные оценки наборов данных CIFAR10 и STL10 для проверки его эффективности.