International research journal

Заключение 
Был разработан новый алгоритм, который сочетает в себе сильные стороны кластеризации без учителя, метода k-
средних и сверточных нейронных сетей, для условий, когда лишь очень малая часть входных данных является 
размеченной. Алгоритм модифицирует стандартный метод кластеризации k-средних, так что при использовании с CNN 
он не обучается избыточным фильтрам на соседних областях. Также была предложена настройка обучения с учителем 
для обучения подходящим соединениям между слоями. Эксперименты показали, что предложенный алгоритм имеет 
наибольшую эффективность в сравнении с актуальными методиками, которые обучаются фильтрам в нейронной сети 
без учителя. 
 
Конфликт интересов 
Не указан. 
Conflict of Interest 
None declared. 
 
Список литературы / References 
1. Szegedy C. Going deeper with convolutions / C. Szegedy et al. // 2015 IEEE Conference on Computer Vision and Pattern 
Recognition (CVPR). 2015. P. 1-9.
2. Deng J. Imagenet: A large-scale hierarchical image database / J. Deng et al. // In CVPR. 2009. P. 248–255. 
3. Russakovsky O. ImageNet Large Scale Visual Recognition Challenge / O. Russakovsky et al. // International Journal of 
Computer Vision (IJCV). April 2015. P. 1–42. 
4. Krizhevsky A. Imagenet classification with deep convolutional neural networks / A. Krizhevsky, I. Sutskever, G. Hinton 
// In Advances in neural information processing systems. 2012. P. 1097–1105. 
5. Coates A. The importance of encoding versus training with sparse coding and vector quantization / A. Coates, A. Ng // In 
ICML. 2011. P. 921–928. 
6. Coates A. Selecting receptive fields in deep networks / A. Coates, A. Ng // In Advances in Neural Information Processing 
Systems. 2011. P. 2528–2536 
7. LeCun Y. Gradient-based learning applied to document recognition / LeCun Y., Bottou L., Bengio Y., Haffner P. // 
Proceedings of the IEEE. 1998. Vol. 86, № 11. P. 2278–2324. 
8. Lin T. Stable and efficient representation learning with nonnegativity constraints / T. Lin, H. Kung // In ICML. 2014. P. 
1323–1331. 
9. Hui K. Direct modeling of complex invariances for visual object features / K. Hui // In Proceedings of the 30th 
International Conference on Machine Learning (ICML-13). 2013. P. 352–360. 
10. Swersky K. Multi-task bayesian optimization / K. Swersky, J. Snoek, R. Adams // In Advances in Neural Information 
Processing Systems. 2013. P. 2004–2012. 
11. Dosovitskiy A. Discriminative unsupervised feature learning with convolutional neural networks / A. Dosovitskiy et al. 
// In Advances in Neural Information Processing Systems. 2014. P. 766–774. 

---

Международный научно-исследовательский журнал ▪ № 1 (103) ▪ Часть 1 ▪Январь 
57