Benchmarking Deep Transfer Learning for Banknote Recognition: Vision Transformers Vs. CNNs on the KZ-BD Dataset

2026

Жабық қол жеткізу Метадеректер (CSL-JSON)
DOI 10.1109/icecco67619.2026.11488799
Деректер сенімділігі 70 орташа
Бұл баға қалай есептеледі

Ол жазбаның өзінің тексерілетін белгілерінен құралады: мақаланың DOI-і бар ма, оның деректерін қанша тәуелсіз дереккөз растады, міндетті өрістер толтырылған ба және соңғы растау қаншалықты жаңа. Дереккөздер арасындағы алшақтық пен идентификатордың болмауы бағаны төмендетеді. 80-нен бастап мән жазбаның қосымша тексерусіз жарияланғанын, 60-тан 79-ға дейін — оның сенімділігі төмен күйде жарияланғанын және қолмен тексеру ұсынылатынын білдіреді. Редактор қолмен тексерген жазбаны қайта есептеу 90-нан төмен түсірмейді. Бұл — мақаланың өзіне емес, ол туралы деректерімізге берілген баға.

Аңдатпа

This paper presents a comprehensive comparative study on transfer learning and Vision Transformers for Kazakhstan banknote recognition, aimed at assisting visually impaired individuals. We systematically evaluate four state-of-the-art CNN architectures (ResNet50, VGG16, MobileNetV2, GoogleNet) pretrained on ImageNet alongside Vision Transformer (ViT-B/16), training on a dataset of 1,259 images of Kazakhstani banknotes captured under diverse real-world conditions. Through rigorous hyperparameter optimization across three random seeds with proper train-validation-test separation, we find that Vision Transformers achieve exceptional performance$(99.21 \pm 0.79 \%$test accuracy) with perfect 100% validation accuracy using RMSprop lr=0.001 and Adam/RMSprop lr=0.01, followed by ResNet50$(96.06 \pm 0.79 \%)$which achieved 99.73% validation accuracy with SGD lr=0.01. MobileNetV2 achieved$\mathbf{9 5. 0 1} \pm \mathbf{0. 4 5} \boldsymbol{\%}$accuracy, while GoogleNet and VGG16 obtained$92.39 \pm 1.64 \%$and$91.86 \pm 2.27 \%$respectively. Our findings advance banknote recognition technology while providing insights into the comparative effectiveness of CNNs versus transformers on limited-data computer vision tasks.