Совершенствование топологии нейросетевой модели для сегментации объектов на цифровых снимках на основе сверточных нейронных сетей

В настоящее время сверточные нейронные сети продемонстрировали значительный прирост производительности по сравнению с традиционными методами машинного обучения при решении различных реальных задач в области вычислительного интеллекта, таких как классификация цифровых изображений. Однако для достижения наилучшей точности топология сети должна быть смоделирована с помощью различных архитектур с разным количеством фильтров, размером ядра, количеством слоев и т.д., что актуализирует задачу выработки и обоснования соответствующих методов отбора. Учитывая отмеченное, цель статьи заключается в обосновании подхода, который позволит усовершенствовать топологию нейросетевой модели для сегментации объектов на цифровых снимках на основе сверточных нейронных сетей. Методы исследования – системный анализ, моделирование, теория машинного обучения и нечеткой логики, теория принятия решений. В результате проведенного анализа в статье предложен алгоритм, который позволяет усовершенствовать топологию нейросетевой модели на основе дифференциальной эволюции для оптимизации точности сегментации изображений и времени обучения сети. Дифференциальная эволюция применяется для определения оптимального количества слоев в топологии сети, что способствует более быстрой сходимости. В рамках предложенного алгоритма был выделен этап кодирования для представления структуры каждой сети с помощью целочисленного массива фиксированной длины, после чего предложено использовать процессы дифференциальной эволюции (мутация, рекомбинация и отбор) для эффективного исследования пространства поиска. Перспективы дальнейших исследований заключаются в разработке способов и приемов, позволяющих закодировать решение-кандидат, используя разное количество скрытых блоков в каждой свертке.