| dc.contributor | Брестский государственный технический университет | ru_RU |
| dc.contributor | Brest State Technical University | ru_RU |
| dc.contributor.author | Головко, Владимир Адамович | |
| dc.contributor.author | Михно, Егор Владимирович | |
| dc.contributor.author | Брич, Александр Леонидович | |
| dc.contributor.author | Михняев, Андрей Леонидович | |
| dc.contributor.author | Войцехович, Леонид Юрьевич | |
| dc.contributor.author | Матюшков, Александр Леонидович | |
| dc.coverage.spatial | Брест | ru_RU |
| dc.date.accessioned | 2019-08-27T08:11:55Z | |
| dc.date.available | 2019-08-27T08:11:55Z | |
| dc.date.issued | 2016 | |
| dc.identifier.citation | Редуцированная сверточная нейронная сеть для точного распознавания рукописных цифр / В. А. Головко [и др.]
// Вестник Брестского государственного технического университета. Серия: Физика, математика, информатика. – 2016. – № 5. – С. 2–6 : ил. – Библиогр.: с. 6 (22 назв.). | ru_RU |
| dc.identifier.uri | https://rep.bstu.by/handle/data/992 | |
| dc.description | GOLOVKO V. A., MIKHNO E. V., BRICH A. L., MIKHNYAEV A. L., VOYTSEKHOVICH L. Yu., MATYUSHKOV A. L. The reduced svertochny neural network for exact recognition of hand-written figures | ru_RU |
| dc.description.abstract | В данной статье рассматривается сверточная нейронная сеть для распознавания рукописных цифр. Разработана упрощенная архитектура сверточной нейронной сети, которая позволяет классифицировать рукописные цифры с точностью 99.29% (ошибка тестирования 0.71%), что является лучшим результатом в классе неглубоких (shallow) сверточных нейронных сетей. | ru_RU |
| dc.language.iso | ru | ru_RU |
| dc.publisher | БрГТУ | ru_RU |
| dc.relation.ispartofseries | Физика, математика, информатика; | |
| dc.subject | нейронные сети | ru_RU |
| dc.subject | neural networks | ru_RU |
| dc.title | Редуцированная сверточная нейронная сеть для точного распознавания рукописных цифр | ru_RU |
| dc.type | Статья (Article) | ru_RU |
| dc.identifier.udc | 004 | ru_RU |
| dc.abstract.alternative | The convolutional neural network for accurate handwritten digit recognition is considered. In this work we have shown, that high accuracy can be achieved using reduced shallow convolutional neural network without adding distortions for digits. The main contribution of this paper is to point out how using simplified convolutional neural network is to obtain test error rate 0.71% on the MNIST handwritten digit benchmark. It permits to reduce computational resources in order to model convolutional neural network. | ru_RU |
