Аннотация:Свёрточные нейронные сети на сегодняшний день являются популяр-
ным инструментом для решения задач обработки изображений, аудио- и
видеосигналов, поскольку они обладают хорошей способностью к обоб-
щению информации и умеют выделять достаточно сложные признаки в
исходных данных.
Проблема, ограничивающая применение свёрточных нейронных се-
тей во встраиваемых системах, таких как смартфоны и мобильные ро-
боты, заключается в большой вычислительной сложности.
Синтез архитектуры свёрточных сетей в большинстве случаев произ-
водится на основе опыта и интуиции разработчика, при этом получен-
ные сети часто содержат большое количество избыточной информации.
В связи с этим набирают популярность методы, позволяющие обнару-
живать и устранять подобные избыточности в нейронных сетях.
Данная работа посвящена решению задачи обучения и синтеза архи-
тектуры свёрточной нейронной сети на основе метода удаления функци-
ональных элементов сети.
В работе рассмотрены существующие подходы к уменьшению сетей,
предложен алгоритм и собственный критерий для обнаружения избы-
точности в сети, разработаны программные средства и проведено экспе-
риментальное исследование на примере сетей для многоклассовой клас-
сификации изображений.