Table 2.

The analysis of the layers for the second proposed model.

No.	Name	Type	Activation	Learnable
1	inputimage 400 × 400 × 3 images	Input Image	400 × 400 × 3	-
2	convol_1 8 3 × 3 × 3 with stride = [1 1] and padding = ’same’	Convolutional	400 × 400 × 8	Weight 3 × 3 × 8 Bias 1 × 1 × 8
3	convol_2 8 3 × 3 × 8	Convolutional	400 × 400 × 8	Weight 3 × 3 × 8 × 8 Bias 1 × 1 × 8
4	batchnorm_1 with 8 channels	Batch normalization	400 × 400 × 8	Offset 1 × 18 Scale 1 × 1 × 8
5	relu_1	ReLU	400 × 400 × 8	-
6	maxpool_1 2 × 2 with stride = [2 2] and padding = [0 0 0 0]	Maxpooling	200 × 200 × 8	-
7	convol_3 16 3 × 3 × 8	Convolutional	200 × 200 × 16	Weight 3 × 3 × 8 × 16 Bias 1 × 1 × 16
8	convol_4 16 3 × 3 × 16	Convolutional	200 × 200 × 16	Weight 3 × 3 × 16 × 16 Bias 1 × 1 × 16
9	batchnorm_2 with 16 channels	Batch normalization	200 × 200 × 16	Offest 1 × 1 × 16 Scale 1 × 1 × 16
10	relu_2	ReLU	200 × 200 × 16	-
11	maxpool_2 2 × 2	Maxpooling	100 × 100 × 16	-
12	convol_5 32 3 × 3 × 16	Convolutional	100 × 100 × 32	Weight 3 × 3 × 16 × 32 Bias 1 × 1 × 32
13	convol_6 32 3 × 3 × 32	Convolutional	100 × 100 × 32	Weight 3 × 3 × 32 × 32 Bias 1 × 1 × 32
14	batchnorm_3 with 32 channels	Batch normalization	100 × 100 × 32	Offest 1 × 1 × 32 Scale 1 × 1 × 32
15	relu_3	ReLU	100 × 100 × 32	-
16	convol_7 64 3 × 3 × 32	Convolutional	100 × 100 × 64	Weight 3 × 3 × 32 × 64 Bias 1 × 1 × 64
17	convol_8 64 3 × 3 × 32	Convolutional	100 × 100 × 64	Weight 3 × 3 × 64 × 64 Bias 1 × 1 × 64
18	batchnorm_4 with 64 channels	Batch normalization	100 × 100 × 64	Offest 1 × 1 × 64 Scale 1 × 1 × 64
19	relu_4	ReLU	100 × 100 × 64	-
20	maxpool_3 2 × 2	Maxpooling	50 × 50 × 16	-
21	fc 5 fully connected layer	Fully Connected	1 × 1 × 5	Weight 5 × 160,000 Bias 5 × 1
22	softmax	Softmax	1 × 1 × 5	-
23	classoutput crossentropyex	Classification Output	-	-