On the features of triplet’s formation for Siamese neural network training
ID елемента: 22384
2026/05/05
Цитування
eNUPPIR (). On the features of triplet’s formation for Siamese neural network training. https://enuppir.politeh.duckdns.org/item/22384
eNUPPIR. "On the features of triplet’s formation for Siamese neural network training." Web. . <https://enuppir.politeh.duckdns.org/item/22384>.
eNUPPIR. "On the features of triplet’s formation for Siamese neural network training." Accessed . https://enuppir.politeh.duckdns.org/item/22384.
Скопійовано в буфер обміну
Властивості
Назва
Англійська
On the features of triplet’s formation for Siamese neural network training
Українська
ПРО ОСОБЛИВОСТІ ФОРМУВАННЯ ТРИПЛЕТІВ ДЛЯ НАВЧАННЯ СІАМСЬКОЇ НЕЙРОННОЇ МЕРЕЖІ
Опис
Англійська
Summary. The subject of research – image recognition processes using neural networks. The recognition application is based on a Siamese network architecture with a triplet loss function and a convolutional neural subnetwork. The purpose of the article – to justify the choice of a quasi-random N-dimensional sequence of vectors as embeddings for training a Siamese neural network with a triplet loss function and to evaluate the characteristics of the clusters of digit image embeddings obtained after training. Objective: an experimental evaluation of the characteristics of clusters of embeddings of digit images obtained after training a Siamese neural network with a triplet loss function. Research methods: a direct search method for functions with several variables to determine estimates of N-dimensional vector representations of input images. Research results. A study of a quasi-random N-dimensional sequence of vectors as embeddings for training a Siamese neural network with a triplet loss function and its testing is carried out. It is shown that the proposed methods for determining N-dimensional vector representations of input images are robust and significantly reduce the amount of computation during training. During testing, images of handwritten digits from the MNIST test set were used. It has been determined that the use of a quasi-random N-dimensional sequence of vectors as image embeddings in training a Siamese neural network with a triplet loss function can significantly improve the characteristics of the obtained image embedding clusters. Conclusions. The results obtained in this work can be used for comparative evaluation and determination of N-dimensional vector representations of different classes of input images for their recognition using the architecture of a Siamese neural network with a triplet loss function.
Українська
Предмет дослідження – процеси розпізнавання зображень із застосуванням нейронних мереж. Додаток для розпізнавання ґрунтується на архітектурі сіамської мережі з триплетною функцією втрат і зі згортковою нейронною підмережею. Мета статті – обґрунтування вибору квазівипадкової N-вимірної послідовності векторів як вкладень для навчання сіамської нейронної мережі з триплетною функцією втрат та оцінка отриманих після навчання характеристик кластерів вкладень зображень цифр. Завдання: експериментальна оцінка отриманих після навчання сіамської нейронної мережі з триплетною функцією втрат характеристик кластерів вкладень зображень цифр. Методи досліджень: метод прямого пошуку для функцій з кількома змінними для визначення оцінок N-вимірних векторних представлень вхідних зображень. Результати досліджень. Проведено дослідження квазівипадкової Nвимірної послідовності векторів як вкладень для навчання сіамської нейронної мережі з триплетною функцією втрат та її тестування. Показано, що запропоновані методи визначення N-вимірних векторних представлень вхідних зображень є робастними та значно зменшують обсяг обчислень під час навчання. Під час тестування використовувалися зображення рукописних цифр із тестового набору MNIST. Визначено, що використання квазівипадкової Nвимірної послідовності векторів як вкладень зображень під час навчання сіамської нейронної мережі з триплетною функцією втрат дає змогу значно поліпшити характеристики отриманих кластерів вкладень зображень. Висновки. Результати, отримані в роботі, можуть бути використані при порівняльній оцінці та визначенні N-вимірних векторних представлень різних класів вхідних зображень з метою їх розпізнавання з використанням архітектури сіамської нейронної мережі з триплетною функцією втрат.
Автор
Англійська
Shostak, A.
Українська
Шостак, А. В.
Тематика
Англійська
Siamese neural network
Англійська
triplet
Англійська
embedding
Англійська
prototype cluster embedding
Англійська
neural network testing
Українська
сіамська нейронна мережа
Українська
триплет
Українська
вкладення
Українська
прототип вкладень кластера
Українська
тестування нейронної мережі
Видавництво
Українська
Національний університет «Полтавська політехніка імені Юрія Кондратюка»
Тип
info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
Українська
Рецензована Стаття
Формат
application/pdf
Ідентифікатор
https://journals.nupp.edu.ua/sunz/article/view/3684
10.26906/SUNZ.2025.1.134-137
Джерело
Англійська
Control, Navigation and Communication Systems. Academic Journal; Vol. 1 No. 79 (2025): Control, Navigation and Communication Systems; 134-137
Російська
Системы управления, навигации и связи. Сборник научных трудов; Том 1 № 79 (2025): Системи управління, навігації та зв’язку; 134-137
Українська
Системи управління, навігації та зв’язку. Збірник наукових праць; Том 1 № 79 (2025): Системи управління, навігації та зв’язку; 134-137
2073-7394
10.26906/SUNZ.2025.79
2025. №1 (79)
Мова
uk
Відношення
https://journals.nupp.edu.ua/sunz/article/view/3684/3023
Права
Українська
http://creativecommons.org/licenses/by-nc/4.0
Інформація про метадані
Створено
2026-5-5 11:56
Остання зміна
2026-5-5 11:56
ID елемента
#22384