Применение сверточных искусственных нейронных сетей для классификации товаров целевой группы по выделенным признакам
Автор: Поляков Ф.А., Поляков А.П.
Журнал: Сетевое научное издание «Системный анализ в науке и образовании» @journal-sanse
Рубрика: Моделирование и анализ данных
Статья в выпуске: 1, 2025 года.
Бесплатный доступ
В работе рассматривается один из этапов определения кода товарной номенклатуры внешнеэкономической деятельности для товаров, входящих в целевую группу «обувь», состоящий в анализе изображений товарных позиций, присутствующих в сопроводительных документах. Приведено обоснование применения сверточных нейронных сетей для классификации изображений. Рассмотрены возможные подходы к построению специализированных нейросетевых классификаторов. Проведен сравнительный анализ эффективности подходов, основанных на дообучении существующих классификаторов (transfer learning) и на построении сверточных сетей, обученных только на размеченных данных выбранного товарного ассортимента. Исследованы вопросы получения обучающей выборки путем парсинга специализированных сайтов и получения элементов выборки с помощью систем искусственного интеллекта, специализирующихся на генерации изображений по запросу.
Классификатор, с-инс, классификационный код, искусственный интеллект, нейронные сети, преобразование матриц, стохастический градиентный спуск, визуальные признаки
Короткий адрес: https://sciup.org/14133448
IDR: 14133448 | УДК: 004.048,
Classification of commodity items by their images using convolution neural networks
The paper considers stage of determining the full HS code of the target group "shoes” by considering images of goods, attached to electronic documentation. Reasons of using convolutional neural networks (CNNs) for image classification is presented. Possible approaches to constructing specialized neural network classifiers are examined. A comparative analysis is conducted on the effectiveness of methods based on fine-tuning pre-existing classifiers (transfer learning) versus building convolutional networks trained exclusively on labeled data from a selected product assortment. The challenges of acquiring training datasets through scraping specialized websites and generating dataset elements via artificial intelligence systems specialized in on-demand image generation are explored.
