А.В. Савчик, Е.А. Швец, Д.П. Николаев

Разработка архитектуры и методов обучения обобщающих нейросетевых классификаторов изображений при малом размере обучающей выборки

В работе рассматривается метод обучения нейросетевого классификатора при малом размере обучающей выборки с привлечением дополнительной выборки данных большего размера. Метод заключается в обучении обобщающей искусственной нейронной сети, представляющей собой древовидный классификатор, первые (префиксные) слои которого являются общими для нескольких (в исследуемом случае − двух) задач классификации, каждый лист является выходным слоем классификатора для одной из задач, а полный классификатор для каждой из задач состоит из последовательности слоев, ведущих от основания дерева к этому листу. Предлагаемый метод апробирован на примере задачи распознавания символов номерных знаков при размере обучающей выборки, равной одному элементу на класс. Выполнено сравнение полученных результатов с результатами систем, обученных на малой обучающей выборке другими методами.

КЛЮЧЕВЫЕ СЛОВА: машинное обучение, искусственные нейронные сети, обобщающее обучение, классификация изображений