STRUCTURAL AND FUNCTIONAL MODEL OF A CONVOLUTIONAL NEURAL NETWORK FOR PROCESSING, ANALYSING AND CLASSIFYING IMAGES OF VARYING COMPLEXITY
ID елемента: 22420
2026/05/05
Цитування
eNUPPIR (). STRUCTURAL AND FUNCTIONAL MODEL OF A CONVOLUTIONAL NEURAL NETWORK FOR PROCESSING, ANALYSING AND CLASSIFYING IMAGES OF VARYING COMPLEXITY. https://enuppir.politeh.duckdns.org/item/22420
eNUPPIR. "STRUCTURAL AND FUNCTIONAL MODEL OF A CONVOLUTIONAL NEURAL NETWORK FOR PROCESSING, ANALYSING AND CLASSIFYING IMAGES OF VARYING COMPLEXITY." Web. . <https://enuppir.politeh.duckdns.org/item/22420>.
eNUPPIR. "STRUCTURAL AND FUNCTIONAL MODEL OF A CONVOLUTIONAL NEURAL NETWORK FOR PROCESSING, ANALYSING AND CLASSIFYING IMAGES OF VARYING COMPLEXITY." Accessed . https://enuppir.politeh.duckdns.org/item/22420.
Скопійовано в буфер обміну
Властивості
Назва
Англійська
STRUCTURAL AND FUNCTIONAL MODEL OF A CONVOLUTIONAL NEURAL NETWORK FOR PROCESSING, ANALYSING AND CLASSIFYING IMAGES OF VARYING COMPLEXITY
Російська
.
Українська
СТРУКТУРНО-ФУНКЦІОНАЛЬНА МОДЕЛЬ ЗГОРТКОВОЇ НЕЙРОННОЇ МЕРЕЖІ ДЛЯ ОБРОБКИ, АНАЛІЗУ ТА КЛАСИФІКАЦІЇ ЗОБРАЖЕНЬ РІЗНОЇ СКЛАДНОСТІ
Опис
Англійська
The article presents presents a structural and functional model of a convolutional neural network (CNN) designed for processing, analysing and classifying images of varying complexity. The model is based on a multi-level architecture using convolutional, residual and parallel computing blocks, which ensure high adaptability to different types of input data. The input tensor is normalised by the mean and standard deviation of the sample, which reduces data variability and stabilises the learning process. The first convolutional layer performs the initial extraction of image features with ELU activation, which ensures continuity of gradients and eliminates the problem of ‘dead neurons.’ The implementation of skip connections ensures the consistency of information flows and increases the stability of training. The results demonstrate increased classification accuracy and noise resistance compared to basic CNN architectures.
Українська
У статті представлено структурно-функціональну модель згорткової нейронної мережі (ЗНМ), призначену для обробки, аналізу та класифікації зображень різної складності. Модель базується на багаторівневій архітектурі з використанням згорткових, залишкових і паралельних обчислювальних блоків, що забезпечують високу адаптивність до різних типів вхідних даних. Вхідний тензор нормалізується за середнім і стандартним відхиленням вибірки, що дозволяє зменшити варіативність даних і стабілізувати процес навчання. Перший згортковий шар виконує початкове виділення ознак зображення з активацією типу ELU, яка забезпечує безперервність градієнтів та усуває проблему “мертвих нейронів”. Реалізація залишкових зв’язків (skip connections) забезпечує сталість інформаційних потоків та підвищує стабільність навчання. Отримані результати демонструють підвищену точність класифікації та стійкість до шумів у порівнянні з базовими CNN-архітектурами.
Автор
Англійська
Mozhaiev, Oleksandr
Англійська
Kuchuk, Heorhii
Англійська
Safarov, Renat
Англійська
Lavrovskyi, Maksym
Англійська
Moroz, Kostiantyn
Тематика
Англійська
convolutional neural network
Англійська
image processing
Англійська
classification
Англійська
feature analysis
Англійська
structural-functional model
Англійська
deep learning
Російська
21
Українська
згорткова нейронна мережа
Українська
обробка зображень
Українська
класифікація
Українська
аналіз ознак
Українська
структурнофункціональна модель
Українська
глибоке навчання
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/4112
10.26906/SUNZ.2025.4.103
Джерело
Англійська
Control, Navigation and Communication Systems. Academic Journal; Vol. 4 No. 82 (2025): Control, Navigation and Communication Systems; 103-107
Російська
Системы управления, навигации и связи. Сборник научных трудов; Том 4 № 82 (2025): Системи управління, навігації та зв'язку; 103-107
Українська
Системи управління, навігації та зв’язку. Збірник наукових праць; Том 4 № 82 (2025): Системи управління, навігації та зв'язку; 103-107
2073-7394
10.26906/SUNZ.2025.4
2025. №4 (82)
Мова
en
Відношення
https://journals.nupp.edu.ua/sunz/article/view/4112/3442
Права
Українська
Авторське право (c) 2025 Oleksandr Mozhaiev
, Heorhii Kuchuk
, Renat Safarov
, Maksym Lavrovskyi
, Kostiantyn Moroz
, Heorhii Kuchuk
, Renat Safarov
, Maksym Lavrovskyi
, Kostiantyn Moroz
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
#22420