Оценка значимости параметров обучения модели нейронной сети на примере классификатора объектов на снимках земной поверхности

Abstract

В исследовании проведена оценка значимости параметров обучения модели нейронной сети на примере классификатора объектов на снимках земной поверхности. Представлен комплексный анализ влияния различных факторов («объем обучающей выборки», «количество батчей» и «количество эпох обучения») на точность и устойчивость модели, что позволило определить оптимальные настройки для её обучения. Особое внимание уделяется оценке эффективности предложенного решения. Результаты проведённых экспериментов подтверждают превосходство разработанной нейросетевой архитектуры по таким критериям, как точность классификации, скорость обработки изображений и устойчивость к изменению условий съёмки, таких как освещение, угол обзора и разрешение снимков. Представленные выводы могут быть полезны для дальнейшего совершенствования моделей машинного обучения, используемых в задачах классификации объектов на снимках земной поверхности.