Рис. 1. Схема сети Хемминга
COMPARISON OF HAMMING NEURAL NETWORK AND CONVOLUTIONAL NEURAL NETWORK IN PATTERN RECOGNITION TASKS
Аннотация
К наиболее известным типам нейронных сетей относятся сеть Хемминга и свёрточная сеть. Проведем сравнение этих сетей в задачах распознавания образов. В статье рассматриваются принципы работы, архитектура, преимущества и недостатки каждой из сетей на примере задачи распознавания цифр арабского алфавита.
Abstract
The most well-known types of neural networks include the Hamming network and the convolutional network. Let's compare these networks in pattern recognition tasks. The article discusses the principles of operation, architecture, advantages and disadvantages of each network using the example of the task of recognizing Arabic alphabet digits.
Ключевые слова:
нейронная сеть Хемминга, свёрточная нейронная сеть, распознавание образов, расстояние Хемминга, сравнение архитектур
Keywords:
Hamming neural network, convolutional neural network, pattern recognition, Hamming distance, architecture comparison
Распознавание образов является одной из классических задач искусственного интеллекта и компьютерного зрения. Для её решения разработано множество алгоритмов и архитектур нейронных сетей. Среди них выделяются две принципиально разные по своему устройству и принципам работы сети: сеть Хемминга и свёрточная нейронная сеть. Данная статья посвящена сравнительному анализу этих двух подходов на примере конкретной задачи – распознавания рукописных цифр.
Алгоритм работы сети Хемминга базируется на определении расстояния Хемминга – это количество отличающихся позиций в бинарных векторах. Результатом работы сети является нахождение образа с наименьшим расстоянием. Отсутствие сигнала кодируется как (-1), наличие (1). Сеть состоит из 2-х слоев (рис. 1) [1].
Рис. 1. Схема сети Хемминга
Примером работы нейронной сети Хемминга является программа для распознавания цифр арабского алфавита (рис. 2).
Рис. 2. Пример работы программы для сети Хемминга
Структура свёрточной нейронной сети значительно отличается от сети Хемминга (рис. 3).
Рис. 3. Структура свёрточной нейронной сети
Свёрточная нейронная сеть является многослойной. Состоит из пар слоев - слоев подвыборки и слоев свертки. Изображение предыдущего слоя сканируется небольшим окном и пропускается сквозь набор весов, а результат отображается на соответствующий нейрон текущего слоя. Таким образом, набор плоскостей представляет собой карты характеристик и каждая плоскость находит «свои» участки изображения в любом месте предыдущего слоя.
Пример работы свёрточной нейронной сети в программе для распознавания цифр арабского алфавита представлен на рис. 4 и рис. 5.
Рис. 4. Пример работы программы: обучение свёрточной сети
Рис. 5. Пример работы программы: тестирование свёрточной сети
Можно сделать вывод о том, что свёрточная нейронная сеть работает медленнее, чем сеть Хемминга, но обеспечивает частичную устойчивость к изменениям масштаба, смещениям, поворотам, смене ракурса и прочим искажениям.
Существенное достоинство сети Хемминга заключается в том, что она не требует трудоемких вычислительных процедур для своего обучения. Заметный недостаток сети: она не выделяет два и более эталонных изображений, имеющих с предъявленным одинаковые максимальные меры близости.
Таким образом, выбор между сетью Хемминга и свёрточной нейронной сетью зависит от конкретной задачи и условий её решения. Сеть Хемминга предпочтительна для простых задач распознавания бинарных образов с небольшим количеством эталонов, где важна скорость работы и простота реализации. Свёрточная нейронная сеть является более мощным и универсальным инструментом для сложных задач обработки изображений, где требуется устойчивость к искажениям и высокая точность классификации.