Details

В данной работе рассматривается, насколько эффективно использование бинарных нейронных сетей в задаче классификации изображений. В ходе работы проведен анализ способов построения бинарных нейронных сетей, их архитектур. Были реализованы конкурентные подходы бинаризации нейронных сетей. После проведения анализа был определен наиболее эффективный представитель для поставленной задачи. Были изучены датасеты для задачи классификации изображений и выполнен сравнительный анализ. В ходе работы разработан новый метод для упрощения перевода полноточной нейронной сети в бинарную с заданной конфигурацией, была преобразована полноточная модель нейронной сети с использованием полученного метода, а также подготовленных бинаризованных компонентов, и получены характеристики для сравнения с остальными методами, проведен сравнительный анализ. Также был сконструирован свой датасет с механическими транспортными средствами, в основе которого лежит ImageNet. В работе производится сравнение полноточной (без бинаризации) модели нейронной сети с её бинаризированными вариантами реализации. Сравниваются такие методы как: Bi-Real Net, Melius Net, AdaBin. Исследуются характеристики моделей: точность распознавания, размер модели, количество операций при инференсе.

This paper examines how effective the use of binary neural networks is in the problem of image classification. In the course of the work, the analysis of methods for building binary neural networks and their architectures was carried out. Competitive approaches to binarization of neural networks have been implemented. After the analysis, the most effective representative for the task was determined. Datasets for the image classification task were studied and a comparative analysis was performed. In the course of the work, a new method was developed to simplify the translation of a full-fledged neural network into a binary one with a given configuration, a fullfledged neural network model was transformed using the obtained method, as well as prepared binarized components, and characteristics were obtained for comparison with other methods, a comparative analysis was carried out. It also designed its own dataset with mechanical vehicles, which is based on ImageNet. The paper compares a full-fledged (without binarization) neural network model with its binarized implementation options. Methods such as: Bi-Real Net, Melius Net, AdaBin are compared. The characteristics of the models are investigated: recognition accuracy, model size, and the number of inference operations.