ація сірого) інвертовані і збережені у вигляді BMP зображень розміром 13х13 пікселів.
На малюнку 14 зображені карти, побудовані навченої мережею, при розпізнаванні двох жінок і двох чоловіків. Можна помітити виділення певних рис на різних картах. Наприклад, на п'ятому мапі у всіх 4-ох зразків помітно явне виділення брів і області навколо очей.
Малюнок 14.Карти ознак, побудовані мережею
У процесі тестування, автором також було проведено дослідження зміни поведінки мережі при виборі різного кроку сканування вхідного зображення. Під кроком сканування мається на увазі кількість пікселів, на яке щоразу пересувається рецептивної полі при прорахунку зваженої суми чергового нейрона карти ознак. Чим менше крок сканування, тим більше розмір карти ознак, отримуємо більш детальне сканування зображення.
Таким чином, при мінімальному кроці сканування (одиничному кроці) маємо найбільше дозвіл карт ознак. Виникає питання, наскільки це виправдано, і чи набагато погіршитися якість роботи мережі при збільшенні значення кроку. Для отримання відповіді було вироблено навчання мережі з різним кроком сканування.
Зауважимо, що найкращі результати досягаються при мінімальному кроці сканування рівному одиниці. Але слід зазначити, що при значенні кроку рівному 2-ум, відсоток успішного розпізнавання не набагато менше, аналогічних показників при мінімальному кроці, проте розглянемо кількість нейронів розташовуваних в картах ознак.
У конкретному прикладі використовувалося зображення дозволом 29х29 пікселів і рецептивної полі розміром 5х5. При мінімальному кроці отримуємо розмір карти ознак (29-5) +1=25, 25х25 і загальне число нейронів однієї карти 625. Для кроку з значенням рівним 2-ум (29-5)/2 + 1=13, 13х13 і загальне число нейронів однієї карти 169. У загальній кількості нейронів видна істотна різниця, це впливає безпосередньо на час навчання та роботи мережі. Час однієї епохи навчання з одиничним кроком склало? 55 секунд, а для кроку зі значенням рівним 2-розум? 25 секунд.
Крок сканування рівний четвертій значно зменшує розміри карт, але не виправдовує вибір через істотно відстаючих результатів розпізнавання.
З вище сказаного, можна зробити висновок, що для потужної обчислювальної системи можна використовувати найвищу ступінь сканування, для отримання найкращого результату роботи, для більш слабких обчислювальних систем можна зменшити даний показник, отримавши приріст в продуктивності, але трохи втративши в якості роботи мережі.
2.5 Порівняння результатів роботи згортальне нейронної мережі і багатошарового персептрона
Для порівняння результатів роботи побудованої згортальне мережі, і багатошарового персептрона, було вироблено кілька навчань персептрона на тому ж навчальній множині.
Порівняння виявило більш стійку збіжність персептрона навіть при високих значення кроку? , Але відсоток успішного розпізнавання при цьому не перевищив 90 відсотків (малюнок 16).
Малюнок 16. Графіки навчання багатошарового персептрона
У результаті аналізу графіків навчання мереж і результатів їх роботи, було відмічено, що згортальне мережа має більш високим ступенем узагальнення, ніж багатошаровий персептрон.
Помітна також стійкість згортальне мережі до спотворень. На малюнку 17 показаний приклад роботи мережі з перекрученими даними. Зліва оригінальне зображення і високий відгук мережі в правильну сторону. Праворуч теж зображення, але із застосуванням фільтрів зигзага і лінзового збільшення. Зауважимо, мережа як і раніше правильно розпізнала зображення, тільки відгук став більш слабким. Для багатошарового персептрона цей ефект спостерігається, тільки при дуже незначних спотвореннях.
Малюнок 17. Стійкість згортальне мережі до спотворень
Висновок
У рамках даної курсової роботи були розглянуті переваги та основи функціонування згортальних нейронних мереж, проведено ряд досліджень впливу різних характеристик мережі на якість роботи, а також проведено порівняння результатів роботи даного типу мереж і мережі типу багатошаровий персептрон.
Автором був реалізований спеціальний модуль для роботи зі згортальне нейронними мережами. Результати тестування даного модуля показали хорошу узагальнюючу здатність мережі і інваріантність до незначних спотворень вхідних зображень. Це зумовило правильність застосування певного типу мережі до задачі Визначення статі і віку людини по фотографії особи.
У подальшому просуванні проекту планується, реалізація ієрархічної структури каскаду мереж, для визначення від...
