Россия
В работе проводится сравнение наиболее популярных архитектур сверточных нейронных сетей, их преимущества и недостатки, области применения. Рассматриваются такие нейронные сети, как ALEXNET, ZFNET, VGG, GOOGLENET, RESNET
Свёрточная нейронная сеть, машинное обучение, свертка, фильтр, подвы-борка, функция активации
1. Сикорский, О.С. Обзор сверточных нейронных сетей для задачи классификации изображений / О.С. Сикорский // Новые информационные технологии в автоматизированных системах. – 2017. – № 20. – С. 37-42.
2. Маршалко, Д.А. Архитектура сверточных нейронных сетей / Д.А. Маршалко, О.В. Кубанских // Ученые записки Брянского государственного университета. – 2019. - № 4. – С. 10-13.
3. Сверточная нейронная сеть, часть 1: структура, топология, функции активации и обучающее множество. – URL: https://habr.com/ru/articles/348000/ (дата обращения: 12.03.2025).
4. Саймон, Х. Нейронные сети: полный курс / Х. Саймон. – М. : Издательский дом «Вильямс», 2019. – 1104 с.
5. Макаров, М.А. Искусственный интеллект в промышленной инфор-матике : учебное пособие / М.А. Макаров, И.Ю. Зайцев. – М. : МИРЭА – РТУ, 2024. – 118 с.
6. Zhou, L. Design and Implementation of AlexNet Flower Classification System from the Perspective of Deep Learning / L. Zhou // International Journal of Computer Science and Information Technology. – 2024. – Vol. 3(3). – Pp. 292-299.
7. Эволюция архитектур нейросетей в компьютерном зрении: классификация изображений. – URL: https://habr.com/ru/companies/slsoft/articles/855602/ (дата обращения: 12.03.2025).
8. Face Images Classification using VGG-CNN / I.N.G.A. Astawa, M.L. Radhitya, I.W.R. Ardana, F.A. Dwiyanto // Knowledge Engineering and Data Science. – 2021. – Vol. 4(1). – Pp. 49-54.
9. Dong, H. Investigations on Convolutional Neural Network Based on Im-age Recognition / H. Dong // Highlights in Science, Engineering and Technology. – 2025. – Vol. 124. – Pp. 208-215.
10. Чжу, И. Исследование остаточной нейронной сети RESNET / И. Чжу, Т.П. Новикова, С.А. Евдокимова // Моделирование информационных систем и технологий : материалы Международной научно-практической конференции, Воронеж, 27 октября 2022 г. – Воронеж, 2022. – С. 343-349.
11. Deep Residual Learning for Image Recognition / K. He [et al.] // Pro-ceedings of the IEEE Conference on Computer Vision and Pattern Recognition. – 2016. – Pp. 770-778.
