Згорткова нейронна мережа для системи розпізнавання порід собак
DOI:
https://doi.org/10.20535/1560-8956.45.2024.313022Ключові слова:
згорткові нейронні мережі, трансферне навчання, розпізнавання порід собак, доповнення даних, Python, tensorflow, kerasАнотація
Об’єктом дослідження є моделі загорткових нейронних мереж та набори даних для навчання загорткових нейронних мереж. Метою дослідження є підвищення ефективності розпізнавання порід собак з використанням згорткових нейронних мереж при їх реалізації в мобільних застосунках. Для досягнення мети пропонується нейромережева модель на базі модифікованої моделі MobileNetV3-Large, що навчена на доопрацьованому наборі даних "70 Dog Breeds-Image Data Set" з використанням методів доповнення даних. Запропонована модель показує точність розпізнавання 96% на 70 різних породах собак. Отриману модель інтегровано в систему розпізнавання порід собак, яка базується на мобільній платформі. Реалізована програма створює функціональні можливості для взаємодії з отриманою моделлю та ідентифікує породу собаки в реальному часі.
Бібл. 30, іл. 5
Посилання
Shymkovych V., Telenyk S., Kravets P. (2021) Hardware implementation of radialbasis neural networks with Gaussian activation functions on FPGA. Neural Computing and Applications. vol. 33, no. 15, pp. 9467-9479. https://doi.org/10.1007/s00521-021-05706-3
Zhao, X., Wang, L., Zhang, Y., Han, X., Deveci, M., & Parmar, M. (2024). A review of convolutional neural networks in computer vision. Artificial Intelligence Review, 57(4), 1-43. https://doi.org/10.1007/s10462-024-10721-6
Singh, T., & Vishwakarma, D. K. (2019). Video benchmarks of human action datasets: a review. Artificial Intelligence Review, 52, 1107-1154. https://doi.org/10.1007/s10462-018-9651-1
Singh, T., & Vishwakarma, D. K. (2021). A deeply coupled ConvNet for human activity recognition using dynamic and RGB images. Neural Computing and Applications, 33(1), 469-485. https://doi.org/10.1007/s00521-020-05018-y
Bezliudnyi Y., Shymkovych V., Kravets P., Novatsky A., Shymkovych L. Prorussian propaganda recognition and analytics system based on text classification model and statistical data processing methods. Адаптивні системи автоматичного управління: міжвідомчий науково-технічний збірник. 2023. № 1 (42), c. 15-31. https://doi.org/10.20535/1560-8956.42.2023.278923
Kobchenko, V.R., Shymkovysh, V.M., Kravets, P.I., Novatskyi, A.O., Shymkovysh, L.L., & Doroshenko, А.Y. (2024). An intelligent chatbot for evaluating the emotional colouring of a message and responding accordingly. PROBLEMS IN PROGRAMMING, (1), 23-29. http://doi.org/10.15407/pp2024.01.23
Ma, P., Li, C., Rahaman, M. M., Yao, Y., Zhang, J., Zou, S., & et al. (2023). A state-of-the-art survey of object detection techniques in microorganism image analysis: from classical methods to deep learning approaches. Artificial Intelligence Review, 56(2), 1627-1698. https://doi.org/10.1007/s10462-022-10209-1
Li, Z., Liu, F., Yang, W., Peng, S., & Zhou, J. (2021). A survey of convolutional neural networks: analysis, applications, and prospects. IEEE transactions on neural networks and learning systems, 33(12), 6999-7019. https://doi.org/10.1109/TNNLS.2021.3084827
Hu, K., Jin, J., Zheng, F., Weng, L., & Ding, Y. (2023). Overview of behavior recognition based on deep learning. Artificial intelligence review, 56(3), 1833-1865. https://doi.org/10.1007/s10462-022-10210-8
Kravets, P., Novatskyi, A., Shymkovych, V., Rudakova, A., Lebedenko, Y., Rudakova, H. Neural Network Model for Laboratory Stand Control System Controller with Parallel Mechanisms. Lecture Notes on Data Engineering and Communications Technologies. Springer, Cham. 2023. Vol 181. pp. 47-58 https://doi.org/10.1007/978-3-031-36118-0_5
Schoenebeck, J. J., & Ostrander, E. A. (2014, October 11). Insights into Morphology and Disease from the Dog Genome Project. Annual Review of Cell and Developmental Biology, 30(1), 535–560. https://doi.org/10.1146/annurev-cellbio-100913-012927
Ling Shao, Fan Zhu, & Xuelong Li. (2015, May). Transfer Learning for Visual Categorization: A Survey. IEEE Transactions on Neural Networks and Learning Systems, 26(5), 1019–1034. https://doi.org/10.1109/tnnls.2014.2330900
Ribani, R., & Marengoni, M. (2019, October). A Survey of Transfer Learning for Convolutional Neural Networks. 2019 32nd SIBGRAPI Conference on Graphics, Patterns and Images Tutorials (SIBGRAPI-T). https://doi.org/10.1109/sibgrapi-t.2019.00010
Kaya, A., Keceli, A. S., Catal, C., Yalic, H. Y., Temucin, H., & Tekinerdogan, B. (2019, March). Analysis of transfer learning for deep neural network based plant classification models. Computers and Electronics in Agriculture, 158, 20–29. https://doi.org/10.1016/j.compag.2019.01.041
Thenmozhi, K., & Srinivasulu Reddy, U. (2019, September). Crop pest classification based on deep convolutional neural network and transfer learning. Computers and Electronics in Agriculture, 164, 104906. https://doi.org/10.1016/j.compag.2019.104906
Alzubaidi, L., Al-Shamma, O., Fadhel, M. A., Farhan, L., Zhang, J., & Duan, Y. (2020, March 6). Optimizing the Performance of Breast Cancer Classification by Employing the Same Domain Transfer Learning from Hybrid Deep Convolutional Neural Network Model. Electronics, 9(3), 445. https://doi.org/10.3390/electronics9030445
Kaggle: Your Machine Learning and Data Science Community. (n.d.). https://www.kaggle.com/
Dog Breeds-Image Data Set. (2021, July 1). Kaggle. https://www.kaggle.com/datasets/gpiosenka/70-dog-breedsimage-data-set/data
Yang, S., Guo, S., Zhao, J., & Shen, F. (2024, April). Investigating the effectiveness of data augmentation from similarity and diversity: An empirical study. Pattern Recognition, 148, 110204. https://doi.org/10.1016/j.patcog.2023.110204
Christopher, M. V., Wahid, A., Nabiilah, G. Z., & Rojali. (2023). Comparing Age Estimation with CNN and EfficientNetV2B1. Procedia Computer Science, 227, 415–421. https://doi.org/10.1016/j.procs.2023.10.541
Abu Jwade, S., Guzzomi, A., & Mian, A. (2019, December). On farm automatic sheep breed classification using deep learning. Computers and Electronics in Agriculture, 167, 105055. https://doi.org/10.1016/j.compag.2019.105055
Bezliudnyi, Y., Shymkovysh, V., & Doroshenko, A. (2021). Convolutional neural network model and software for classification of typical pests. PROBLEMS IN PROGRAMMING, 4, 095–102. https://doi.org/10.15407/pp2021.04.095
Bhatt, D., Patel, C., Talsania, H., Patel, J., Vaghela, R., Pandya, S., & et al (2021). CNN variants for computer vision: History, architecture, application, challenges and future scope. Electronics, 10(20), 2470. https://doi.org/10.3390/electronics10202470
Hryhorenko, Y., Shymkovysh, V., Kravets, P., Novatskyi, A., Shymkovysh, L., & Doroshenko, A. (2023). A Convolutional Neural Network Model and Software Tool for Classifying the Presence of a Medical Mask on a Human Face. PROBLEMS IN PROGRAMMING, 2, 59–66. https://doi.org/10.15407/pp2023.02.059
Guo, T., Dong, J., Li, H., & Gao, Y. (2017, March). Simple convolutional neural network on image classification. 2017 IEEE 2nd International Conference on Big Data Analysis (ICBDA) https://doi.org/10.1109/icbda.2017.8078730
Deng, J., Dong, W., Socher, R., Li, L. J., Kai Li, & Li Fei-Fei. (2009, June). ImageNet: A large-scale hierarchical image database. 2009 IEEE Conference on Computer Vision and Pattern Recognition. https://doi.org/10.1109/cvpr.2009.5206848
Wang, B., & Rezaei sofla, A. (2023, November). Solution for sports image classification using modified MobileNetV3 optimized by modified battle royal optimization algorithm. Heliyon, 9(11), e21603. https://doi.org/10.1016/j.heliyon.2023.e21603
Howard, Andrew & Zhu, Menglong & Chen, Bo & Kalenichenko, Dmitry & Wang, Weijun & Weyand, Tobias & Andreetto, Marco & Adam, Hartwig. (2017). MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications. https://doi.org/10.48550/arXiv.1704.04861
Pannurat, N., Eiamsaard, K., Suthanma, C., & Banharnsakun, A. (2023, September). Machine learning techniques for supporting dog grooming services. Results in Control and Optimization, 12, 100273. https://doi.org/10.1016/j.rico.2023.100273
Ramadhan, A. T., & Setiawan, A. (2023, June 28). Catbreedsnet: An Android Application for Cat Breed Classification Using Convolutional Neural Networks. Jurnal Online Informatika, 8(1), 52–60. https://doi.org/10.15575/join.v8i1.1007
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у нашому журналі.
2. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована нашим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у нашому журналі.
3. Політика журналу дозволяє і заохочує розміщення рукопису роботи авторами в мережі Інтернет (наприклад, на arXiv.org або на особистих веб-сайтах). Причому рукописи статей можуть бути розміщенні у відкритих архівах як до подання рукопису до редакції, так і під час його редакційного опрацювання. Це сприяє виникненню продуктивної наукової дискусії, позитивно позначається на оперативності ознайомлення наукової спільноти з результатами Ваших досліджень і як наслідок на динаміці цитування вже опублікованої у журналі роботи. Детальніше про це: The Effect of Open Access.
