Derin sinir ağı temelli üst özkodlayıcıların yapay öğrenme yöntemleriyle eğitilmesi
Training deep neural network based hyper autoencoders with machine learning methods
- Tez No: 543104
- Danışmanlar: PROF. DR. NALAN CİNEMRE
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, İstatistik, Computer Engineering and Computer Science and Control, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2018
- Dil: Türkçe
- Üniversite: Mimar Sinan Güzel Sanatlar Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: İstatistik Bilim Dalı
- Sayfa Sayısı: 89
Özet
Bu çalışmada büyük bir sinir ağının parametrelerini üretmek için daha küçük bir üst sinir ağı kullanan üst özkodlayıcılar önerilmiştir. Önerilen üst özkodlayıcı, bir özkodlayıcının bütün parametrelerini doğrusal bir sinir ağı ve tek bir gömme vektörü ile üretebilmektedir. Üst ağın etkileri hem tümüyle bağlı hem de evrişimsel sinir ağları üzerinde incelenmiştir. Ayrıca az sayıda etiketli veri ile sınıflandırma yapmaya çalışan yarı-gözetimli öğrenme konusu da ele alınmıştır. Bu kapsamda üst özkodlayıcılardan yararlanılarak bir yarı-gözetimli öğrenme yaklaşımı önerilmiştir. Bu model kullanılarak özellikle az sayıda etiketli veri olduğu durumda üst özkodlayıcılardan yararlanılarak sınıflandırma oranının arttırılması amaçlanmıştır. Görüntü verileri ele alınan bu çalışmada, beş farklı görüntü verisi üzerinde çalışılmıştır. Python programlama dili kullanılarak deneyler gerçekleştirilmiştir. Önerilen model gözetimli, gözetimsiz ve yarı-gözetimli olmak üzere üç farklı öğrenme yöntemi için kullanılmıştır. Elde edilen sonuçlar üst özkodlayıcının her üç tür uygulama alanında da başarıyla çalıştığını göstermektedir.
Özet (Çeviri)
In this study, we introduce the hyper autoencoder architecture where a secondary, hypernetwork is used to generate the weights of the encoder and decoder layers of the primary, actual autoencoder. The hyper autoencoder can predict all weights of an autoencoder by using a linear neural network and only one embedding vector. The effects of hyper autoencoder is observed on both fully-connected and convolutional neural networks. We also present a semi-supervised learning approach using convolutional networks and hyper autoencoders. The aim of this semi-supervised model is to increase the classification accuracy especially when there is few labeled data. Our experiments on five image datasets show that hyper autoencoders are as accurate as vanilla autoencoders on both unsupervised and semi-supervised problems. The software we developed for experiments is based on Python. The proposed model is used for supervised, unsupervised and semi-supervised learning. According to results, hyper autoencoder works successfully for all three types of application area.
Benzer Tezler
- Deep-learning for communication systems: New channel estimation, equalization, and secure transmission solutions
Haberleşme sistemleri için derin öğrenme: Yeni kanal kestirimi, denkleştirme ve güvenli iletim çözümleri
MÜCAHİT GÜMÜŞ
Doktora
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. TOLGA METE DUMAN
- Visual semantic segmentation with diminished supervision
Azaltılmış gözetim ile görsel anlamsal bölütleme
MUSTAFA ERGÜL
Doktora
İngilizce
2023
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ABDULLAH AYDIN ALATAN
- Detection of body anomalies using radiographic images
Radyografik görüntüler kullanılarak vücut anomalisi tespiti
ZAHRA HARIRA
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Osmangazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EFNAN ŞORA GÜNAL
- Resource allocation mechanisms for end-to-end delay optimization of 5G URLLC services
5G URLLC hizmetlerinin uçtan uca gecikme optimizasyonu için kaynak aktarım mekanizmaları
HASAN ANIL AKYILDIZ
Doktora
İngilizce
2024
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN ALİ ÇIRPAN
DR. İBRAHİM HÖKELEK
- An efficient model for human activity recognition using convolutional neural network (CNN)
Evrimsel sinir ağı (CNN) kullanarak insan faaliyetlerinin tanıma için etkili bir model
HUSSEIN RIYADH HUSSEIN AL-GBURI
Yüksek Lisans
İngilizce
2021
Bilim ve TeknolojiAltınbaş ÜniversitesiBilgi Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ABDULLAHI ABDU IBRAHIM