procyberВестник кибернетикиProceedings in Cybernetics1999-7604Бюджетное учреждение высшего образования Ханты-Мансийского автономного округа – Югры «Сургутский государственный университет»10.34822/1999-7604-2022-3-84-98procyber-461Research ArticleФИЗИКО-МАТЕМАТИЧЕСКИЕ НАУКИPhysics and MathematicsСРАВНЕНИЕ ТИПОВ ЯДЕР В СВЕРТОЧНЫХ СЛОЯХ НЕЙРОННЫХ СЕТЕЙCOMPARING TYPES OF KERNELS IN CONVOLUTIONAL LAYERS OF NEURAL NETWORKShttps://orcid.org/0000-0002-4686-2752ГиниятуллинВ. М.GiniyatullinV. M.

кандидат технических наук, доцентE-mail: fentazer@mail.ru

Candidate of Sciences (Engi-neering), Associate ProfessorE-mail: fentazer@mail.ru

https://orcid.org/0000-0002-9586-0681ХлыбовА. В.KhlybovA. V.

аспирантE-mail: brinkinvision@gmail.com

PostgraduateE-mail: brinkinvision@gmail.com

https://orcid.org/0000-0002-6762-7831ФедоровМ. А.FedorovM. A.

студент

E-mail: MasterOfHoMM@gmail.com

StudentE-mail: MasterOfHoMM@gmail.com

https://orcid.org/0000-0002-6660-6158АсадуллинТ. А.AsadullinT. A.

студентE-mail: tealredplanet@gmail.com

StudentE-mail: tealredplanet@gmail.com

https://orcid.org/0000-0001-7412-2391КрутинА. С.KrutinA. S.

студентE-mail: krut_inuly@mail.ru

StudentE-mail: krut_inuly@mail.ru

https://orcid.org/0000-0002-3570-6738ОсиповИ. А.OsipovI. A.

студент

E-mail: warluswarlusgg@gmail.com

StudentE-mail: warluswarlusgg@gmail.com

https://orcid.org/0000-0001-8912-0321ЗариповД. М.ZaripovD. M.

кандидат физико-математических наук, доцент

E-mail: damir.zaripov@gmail.com

Candidate of Sciences (Physics and Mathematics), Associate Professor

E-mail: damir.zaripov@gmail.com

Уфимский государственный нефтяной технический университет, УфаРоссияUfa State Oil Technical University, UfaRussian Federation20220911202203 (47)8498Copyright © Гиниятуллин В.М., Хлыбов А.В., Федоров М.А., Асадуллин Т.А., Крутин А.С., Осипов И.А., Зарипов Д.М., 20222022Гиниятуллин В.М., Хлыбов А.В., Федоров М.А., Асадуллин Т.А., Крутин А.С., Осипов И.А., Зарипов Д.М.Giniyatullin V.M., Khlybov A.V., Fedorov M.A., Asadullin T.A., Krutin A.S., Osipov I.A., Zaripov D.M.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.vestcyber.ru/jour/article/view/461

Рассмотрена процедура использования фиксированных задаваемых сверточных ядер. Расчеты проведены с изменением их размерности и шага сдвига. Для исследований взяты четыре различных набора изображений и структур нейронных сетей. В рамках статьи обсуждается четыре вида задаваемых ядер: вертикальные, горизонтальные, диагональные и кольцевые. Исследовалась зависимость точности распознавания изображений в монохромном и цветном представлениях. При дообучении фиксированных ядер наблюдается сдвиг в положительную сторону.

The article studies the process of using fixed specified convolutional kernels. The calculations are conducted considering the change in filter size and stride. In the course of the study, four different sets of images and structures of neural networks are selected. The article discusses four types of specified kernels: vertical, horizontal, diagonal, and ring. The dependency of the accuracy of image recognition in monochrome and color is analyzed. A positive shift is observed when training fixed kernels.

сверточное ядроразмер и шаг ядравоспроизводимость результатовглубокое обучениепервоначальное приближениедискретностьconvolutional kernelkernel’s size and stridereproducibilitydeep learninginitial approximationdiscretenessReferencesMahajan P. Fully Connected vs Convolutional Neural Networks. URL: https://medium.com/swlh/fully-connected-vs-convolutional-neural-networks-813ca7 bc6ee5 (дата обращения: 25.07.2022).Mahajan P. Fully Connected vs Convolutional Neural Networks. URL: https://medium.com/swlh/fully-connected-vs-convolutional-neural-networks-813ca7 bc6ee5 (дата обращения: 25.07.2022).Lin Z., Memisevic R., Konda K. How Far Can We Go without Convolution: Improving Fully-Connected Networks // arXiv. 2015. URL: https://arxiv.org/abs/ 1511.02580 (дата обращения: 25.07.2022).Lin Z., Memisevic R., Konda K. How Far Can We Go without Convolution: Improving Fully-Connected Networks // arXiv. 2015. URL: https://arxiv.org/abs/ 1511.02580 (дата обращения: 25.07.2022).Vajpayee S. License Plate Recognition Using CNN. URL: https://www.kaggle.com/code/sarthakvajpayee/ license-plate-recognition-using-cnn/notebook (дата обращения: 25.07.2022).Vajpayee S. License Plate Recognition Using CNN. URL: https://www.kaggle.com/code/sarthakvajpayee/ license-plate-recognition-using-cnn/notebook (дата обращения: 25.07.2022).Гиниятуллин В. М., Ермолаев Е. В., Хлыбов А. В. Формализация процедуры подбора сверточных ядер // Вест. кибернетики. 2022. № 2. С. 66–74.Гиниятуллин В. М., Ермолаев Е. В., Хлыбов А. В. Формализация процедуры подбора сверточных ядер // Вест. кибернетики. 2022. № 2. С. 66–74.Хлыбов А. В., Ермолаев Е. В., Зеленов А. С., Коняева Е. Э., Фаррахова К. А., Хужиахметов В. Э., Яковлев А. С. Преобразование весов матриц сверточных нейронных сетей // Теория и практика процессов хим. технологии (Марушкинские чтения) : материалы VI Междунар. науч. конф. Уфа, 2021. С. 269–270.Хлыбов А. В., Ермолаев Е. В., Зеленов А. С., Коняева Е. Э., Фаррахова К. А., Хужиахметов В. Э., Яковлев А. С. Преобразование весов матриц сверточных нейронных сетей // Теория и практика процессов хим. технологии (Марушкинские чтения) : материалы VI Междунар. науч. конф. Уфа, 2021. С. 269–270.CNN Fruit Classification. Data. URL: https://www.kag gle.com/etatbak/cnn-fruit-classification/ data (дата обращения: 25.07.2022).CNN Fruit Classification. Data. URL: https://www.kag gle.com/etatbak/cnn-fruit-classification/ data (дата обращения: 25.07.2022).Pneumonia Detection Using CNN (92.6 % Accura-cy). Data. URL: https://www.kaggle.com/madz2000/ pneumonia-detection-using-cnn-92-6-accuracy/data (дата обращения: 25.07.2022).Pneumonia Detection Using CNN (92.6 % Accura-cy). Data. URL: https://www.kaggle.com/madz2000/ pneumonia-detection-using-cnn-92-6-accuracy/data (дата обращения: 25.07.2022).Detecting Malaria | Keras | CNN. Data. URL: https://www.kaggle.com/miracle9to9/detecting-malaria-keras-cnn/data (дата обращения: 25.07.2022).Detecting Malaria | Keras | CNN. Data. URL: https://www.kaggle.com/miracle9to9/detecting-malaria-keras-cnn/data (дата обращения: 25.07.2022).Fashion MNIST – Keras CNN. Data. URL: https://www.kaggle.com/vishnu0399/fashion-mnist-keras-cnn/data (дата обращения: 25.07.2022).Fashion MNIST – Keras CNN. Data. URL: https://www.kaggle.com/vishnu0399/fashion-mnist-keras-cnn/data (дата обращения: 25.07.2022).CNN Fruit Classification. Notebook. URL: https://www.kaggle.com/etatbak/cnn-fruit-classification/ notebook (дата обращения: 25.07.2022).CNN Fruit Classification. Notebook. URL: https://www.kaggle.com/etatbak/cnn-fruit-classification/ notebook (дата обращения: 25.07.2022).Pneumonia Detection Using CNN (92.6 % Accuracy). Notebook. URL: https://www.kaggle.com/ madz2000/pneumonia-detection-using-cnn-92-6-accuracy/notebook (дата обращения: 25.07.2022).Pneumonia Detection Using CNN (92.6 % Accuracy). Notebook. URL: https://www.kaggle.com/ madz2000/pneumonia-detection-using-cnn-92-6-accuracy/notebook (дата обращения: 25.07.2022).Detecting Malaria | Keras | CNN. Notebook. URL: https://www.kaggle.com/miracle9to9/detecting-malaria-keras-cnn/notebook (дата обращения: 25.07.2022).Detecting Malaria | Keras | CNN. Notebook. URL: https://www.kaggle.com/miracle9to9/detecting-malaria-keras-cnn/notebook (дата обращения: 25.07.2022).Fashion MNIST – Keras CNN. Notebook. URL: https://www.kaggle.com/vishnu0399/fashion-mnist-keras-cnn/notebook (дата обращения: 25.07.2022).Fashion MNIST – Keras CNN. Notebook. URL: https://www.kaggle.com/vishnu0399/fashion-mnist-keras-cnn/notebook (дата обращения: 25.07.2022).Understand How Color to Gray Scale Works Using OpenCV. URL: https://www.learnpythonwithrune.org/ understand-how-color-to-gray-scale-works-using-opencv/ (дата обращения: 25.07.2022).Understand How Color to Gray Scale Works Using OpenCV. URL: https://www.learnpythonwithrune.org/ understand-how-color-to-gray-scale-works-using-opencv/ (дата обращения: 25.07.2022).Tf.keras.layers.Dropout. URL: https://www.tensor flow.org/api_docs/python/tf/keras/layers/Dropout (дата обращения: 25.07.2022).Tf.keras.layers.Dropout. URL: https://www.tensor flow.org/api_docs/python/tf/keras/layers/Dropout (дата обращения: 25.07.2022).

The authors declare that there are no conflicts of interest present.