Название статьи:
Влияние геометрической формы свёрточных фильтров на точность классификации в условиях ограниченных вычислительных ресурсов
Авторы: Рогачев А.Ф., доктор технических наук, профессор, кафедра математического моделирования и информатики, Волгоградский государственный аграрный университет, 400002, Российская Федерация, г. Волгоград, пр-кт Университетский, 26,
rafr@mail.ru,
Габдерахманов В.М., аспирант, кафедра математического моделирования и информатики, Волгоградский государственный аграрный университет, 400002, Российская Федерация, г. Волгоград, пр-кт Университетский, 26,
gabderahmanov99@gmail.com В рубрике:
ТЕХНИЧЕСКИЕ НАУКИ
Год: 2026 Том: 8 Номер журнала: 3
Страницы: 287-300
Тип статьи: Научная статья
УДК: 004.93 + 004.8
DOI: 10.17150/2713-1734.2026.8(3).287-300; EDN: HFWLUF
Аннотация:
В этой работе исследуется, как форма ядра свёрточного фильтра влияет на качество распознавания изображений. Для этого был предложен способ задавать фильтры нестандартной формы - круглые, крестообразные и разреженные, похожие на шахматную доску, с помощью бинарной маски, которую накладывают на обычное квадратное ядро. Кроме того, был разработан собственный слой MaskedConv2D для TensorFlow (Keras). Он позволяет применять любую маску к обучаемым весам, не изменяя саму операцию свёртки. Благодаря этому слой можно использовать вместе с любыми оптимизаторами и методами регуляризации. Проверка проводилась на трёх разных наборах данных: Fashion MNIST, CIFAR 100 и PlantVillage. Эти датасеты отличаются по сложности, типу изображений и числу классов - 10, 100 и 38 соответственно. Для всех наборов брались одинаковые архитектуры нейронных сетей, чтобы сравнение было корректным. Результаты экспериментов показали, что на более сложных датасетах, таких как CIFAR 100 и PlantVillage, крестообразные и круглые фильтры дают почти одинаковое качество, но при этом требуют меньше параметров. На CIFAR 100 особенно выделился круглый фильтр 6×6: он показал точность 34,66 %, что на 10,71 процентного пункта выше, чем у обычного квадратного фильтра 3×3, который дал 23,95 %. На узкоспециализированном наборе PlantVillage, где используются изображения листьев с признаками болезней, лучший результат в 89,54 %, показал крестообразный фильтр 3×3. Это на 18,85 процентного пункта выше, чем у стандартного квадратного фильтра того же размера. Всё это указывает на то, что выбор фильтра зависит от структуры данных: для более сложных сцен лучше подходят круглые ядра, а для задач с текстурами - крестообразные.
Ключевые слова: свёрточные нейронные сети, форма фильтра, маска, классификация изображений, Fashion-MNIST, CIFAR-100, PlantVillage
Список цитируемой литературы: - Белоусов И.С. Нейросетевой анализ изображений в сельском хозяйстве с использованием SaaS-системы / И.С. Белоусов, А.Ф. Рогачев. - EDN XTXXAJ // Инженерный вестник Дона. - 2022. - № 8 (92). - С. 152-161.
- Панина В.С. Применение сверточных нейронных сетей Mask R-CNN в интеллектуальных парковочных системах / В.С. Панина, Г.Э. Амеличев. - EDN QHHJZW // E-Scio. - 2022. - № 6 (69). - С. 425-432.
- Рогачев А.Ф. Фитотронный комплекс с интеллектуальной системой выявления заболеваний растений на основе мультимодальной нейронной сети / А.Ф. Рогачев, Е.В. Мелихова, В.М. Габдерахманов. - DOI 10.35211/1990-5297-2026-4-311-53-61. - EDN TEYWKZ // Известия Волгоградского государственного технического университета. - 2026. - № 4 (311). - С. 53-61.
- Иванов М.А. Алгоритмы решения задач классификации изображений с помощью нейронных сетей / М.А. Иванов, А.Д. Обухов, Н.А. Чеботов. - EDN BOWZER // Виртуальное моделирование, прототипирование и промышленный дизайн : материалы VII Междунар. науч.-практ. конф., Тамбов, 12-14 окт. 2021 г.- Тамбов, 2021. - Т. 7. - С. 269-273.
- Гейда А.С. Сверточные нейронные сети для задачи классификации изображений / А.С. Гейда, А.В. Мейник. - EDN GEOABF // Фундаментальные и прикладные исследования в области управления, экономики и торговли : сб. трудов Всерос. науч.-практ. и учеб.-метод. конф., Санкт-Петербург, 13-16 мая 2025 г. - Санкт-Петербург, 2025. - С. 76-83.
- Решение задачи сегментации и классификации лейкоцитов на изображениях с использованием трансферного обучения и ансамбля сверточных нейронных сетей / Е.М. Черных, В.М. Михелев, Д.В. Петров, А.А. Утянский. - DOI 10.52575/2687-0932-2024-51-4-873-886. - EDN UGTAPH // Экономика. Информатика. - 2024. - Т. 51, № 4. - С. 873-886.
- Krizhevsky A. ImageNet classification with deep convolutional neural networks / A. Krizhevsky, I. Sutskever, G.E. Hinton // Communication of the ACM. - 2017. - Vol. 60, no. 6. - C. 84-90.
- Generative AI in depth: A survey of recent advances, model variants, and real-world applications / S. Yazdani, A. Singh, N. Saxena [et al] // Journal of Big Data. - 2025. - Vol. 12, no. 1. - P. 230.
- A systematic review of generative AI: importance of industry and startup-centered perspectives, agentic AI, ethical considerations & challenges, and future directions / K.A. Patel, M.H. Shah, K.M. Qureshi, M.R. Qureshi // Artificial Intelligence Review. - 2025. - Vol. 59, no. 1. - P. 7.
- Liu G. ASKs: Convolution with any-shape kernels for efficient neural networks / G. Liu, K. Zhang, M. Lv // Neurocomputing. - 2021. - vol. 446. - P. 32-49.
- Harmonic networks: Deep translation and rotation equivariance / D. Worrall, S.J. Garbin, D. Turmukhambetov, G.J. Brostow // Proceedings of the IEEE conference on computer vision and pattern recognition. - 2017. - P. 5028-5037.
- Dieleman S. Rotation-invariant convolutional neural networks for galaxy morphology prediction / S. Dieleman, K.W. Willett, J. Dambre // Monthly notices of the royal astronomical society. - 2015. - Vol. 450, no. 2. - P. 1441-1459.
- GMConv: Modulating effective receptive fields for convolutional kernels / Q. Chen, Ch. Li, J. Ning [et al.] // IEEE transactions on neural networks and learning systems. - 2024. - Vol. 36, no. 4. - P. 6669-6678.