Классификация текстурных изображений с помощью методов глубокого обучения

Abstract

В работе исследуется зависимость достоверности классификации текстурных изображений от архитектуры нейронной сети и исходных данных. Предложенная архитектура сети, представляющая собой каскад сверточных и полносвязных слоев, принимает на вход текстурные изображения. С ее помощью была достигнута достоверность классификации в 92%. Также в работе рассматривается аналогичный вариант классификации изображений, основанный на использовании полносвязной нейронной сети. Используя сеть, принимающую на вход вектор признаков изображения, удалось добиться существенной экономии времени при незначительной потере достоверности классификации. In this work we investigate the dependence of the reliability of the classification of texture images on the architecture of the neural network and the source data. The proposed network architecture, which is a cascade of convolutional and fully connected layers, receives texture images as input. The classification accuracy of 92% was achieved. Also, a similar version of image classification based on the use of a fully connected neural network is considered. Using a network that receives an input vector of image features, it was possible to achieve significant time savings with a slight loss of classification reliability.