Конфігурації проміжних шарів для задач подібності зображень: оцінка багаторівневого векторного представлення, отриманого з архітектур CNN і трансформерів
Тип публікації :
Стаття
Дата випуску :
5 червня 2026 р.
Автор(и) :
Кубицький, Володимир
Божок, Артем
Мова основного тексту :
Англійська
eKNUTSHIR URL :
Том :
82
Випуск :
1
ISSN :
1812-5409
Початкова сторінка :
2218
Кінцева сторінка :
2055
Цитування :
[APA 7] Кубицький, В., & Божок, А. (2026). Intermediate layer configurations for image similarity: evaluating multi-level feature extraction across CNN and transformer architectures. Bulletin of Taras Shevchenko National University of Kyiv. Physics and Mathematics, 82(1), 2218–2055. https://doi.org/10.17721/1812-5409.2026/1.28
[ДСТУ] Кубицький В., Божок А. Intermediate layer configurations for image similarity: evaluating multi-level feature extraction across CNN and transformer architectures. Bulletin of Taras Shevchenko National University of Kyiv. Physics and Mathematics. 2026. Vol. 82, no. 1. P. 2218—2055. DOI: 10.17721/1812-5409.2026/1.28 (date of access: 25.07.2026).
Оцінка візуальної подібності зображень потребує векторних представлень, що зберігають інформацію на різних рівнях абстракції. Багаторівнева агрегація ознак із проміжних шарів CNN демонструє високу ефективність у задачах виявлення майже дублікатів, однак систематичний аналіз впливу архітектурних властивостей різних backbone-мереж на якість таких представлень досі не проводився. У пропонованій роботі формалізовано конвеєр багаторівневої агрегації: GAP, конкатенація та L2-нормалізація проміжних активацій з подальшою класифікацією компактним MLP. Проаналізовано шість архітектур – VGG-16, Inception v3, DenseNet-121, MobileNetV2, ResNet-50 та ViT-B/16 – за критеріями чіткості стадій, просторової прогресії, незалежності ознак і залишкового потоку інформації. Кількісну оцінку виконано на наборі даних INRIA Holidays за F1. ResNet-50 із шарами C2 + C3 + C5 досягає F1 = 0,77, перевершуючи всі інші конфігурації. VGG-16 дає F1 = 0,72
за надлишкової кількості параметрів. DenseNet-121 досягає F1 = 0,74 попри надмірність ознак. ViT-B/16 показує F1 = 0,70, обмежений однорідною структурою блоків. Чітка ієрархія стадій із залишковими зв'язками, поступовий перехід від просторових до семантичних ознак і помірна проміжна розмірність є ключовими архітектурними вимогами для ефективної багаторівневої агрегації.
за надлишкової кількості параметрів. DenseNet-121 досягає F1 = 0,74 попри надмірність ознак. ViT-B/16 показує F1 = 0,70, обмежений однорідною структурою блоків. Чітка ієрархія стадій із залишковими зв'язками, поступовий перехід від просторових до семантичних ознак і помірна проміжна розмірність є ключовими архітектурними вимогами для ефективної багаторівневої агрегації.
Ключові слова :
multi-level feature aggregation image similarity convolutional neural networks vision transformers intermediate representations near-duplicate detection architectural comparison ResNet-50 багаторівнева агрегація ознак подібність зображень згорткові нейронні мережі візуальні трансформери проміжні представлення виявлення майже дублікатів порівняння архітектур ResNet-50
Файл(и) :![Ескіз]()
Вантажиться...
Формат :
Adobe PDF
Розмір :
412.03 KB
Контрольна сума :
(MD5):f62e254ff7ec79ca0a88dd3cfb5aa205
Якщо не вказано інше, ця робота розповсюджується на умовах ліцензії Creative Commons Attribution 4.0 International