АНАЛІЗ ВПЛИВУ МЕТОДУ PCA НА ТОЧНІСТЬ ТА АРХІТЕКТУРИ ГЛИБОКИХ НЕЙРОМЕРЕЖ КЛАСИФІКАЦІЇ ЗОБРАЖЕНЬ

Анотація

Зростання візуальних даних у сучасних інформаційних системах створює потребу в зменшенні обчислювальної складності методів класифікації. У цій роботі представлено дослідження впливу попередньої обробки даних методом аналізу головних компонентів (PCA) на ефективність навчання та здатність класифікації глибоких нейронних мереж. Основна увага приділяється порівняльному аналізу двох архітектур — багатошарового персептрона (MLP) і згорткової нейронної мережі (CNN). Робота спрямована на вирішення актуальної науково-практичної проблеми оптимізації обчислювальних витрат у системах комп’ютерного зору, що працюють в умовах обмежених апаратних ресурсів. На основі аналізу експериментальних даних, отриманих на наборі зображень MNIST, проведено порівняльний аналіз чотирьох архітектурних підходів: класичного MLP, класичного CNN, гібридного PCA+MLP та гібридного PCA+CNN. Досліджено вплив втрати просторової локальності під час трансформації зображень методом PCA, що призводить до погіршення результатів моделей на основі CNN, на відміну від зменшення обчислювальної складності моделей на основі MLP при збереженні точності класифікації. У статті представлено комбінований метод класифікації зображень, аналіз отриманих показників точності та функції втрат, а також обґрунтування спостережуваних явищ. Проведене дослідження дозволяє зробити висновок про доцільність використання методу PCA в задачах класифікації зображень у поєднанні з MLP. Результати демонструють важливість узгодження методів попередньої обробки даних з архітектурними особливостями моделей машинного навчання. В обох гібридних моделях кількість параметрів зменшено в 4 рази, при цьому час навчання PCA+MLP зменшено в 2 рази при точності 97,87%, а час навчання PCA+CNN зменшено у 8 разів при точності 95,02%. Встановлено, що гібридна модель PCA+MLP має в 4 рази меншу обчислювальну складність і в 12 разів менше часу на навчання, ніж CNN, при незначній втраті точності в 1,5%.