Geri Dön

A new deep learning approach: Differential convolutional neural network

Yeni bir derin öğrenme yaklaşımı: Farksal konvolüsyonel sinir ağı

  1. Tez No: 547421
  2. Yazar: MEHMET SARIGÜL
  3. Danışmanlar: PROF. DR. MUTLU AVCI
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Derin öğrenme, konvolüsyonel sinir ağı, konvolüsyon teknikleri, genel regresyon sinir ağı, resim sınıflama, örüntü tanıma, yapay zeka, makine öğrenmesi, Deep learning, convolutional neural network, convolution techniques, general regression neural network, image classification, pattern recognition, artificial intelligence, machine learning
  7. Yıl: 2019
  8. Dil: İngilizce
  9. Üniversite: Çukurova Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 118

Özet

Derin öğrenme yapıları birçok bilimsel çalışma alanında önceden görülmemiş başarı oranları yakalamıştır. En çok bilinen derin öğrenme yapısı olan konvolüsyonel sinir ağı genel olarak örüntü tanıma çalışmalarında kullanılmaktadır. Konvolüsyonel sinir ağ yapıları konvolüsyon ve havuzlama katmanları içeren bir özellik çıkarıcı yapısı ve tam bağlı bir sınıflayıcı ağ yapısından oluşur. Bu tezin ilk çalışmasında, güçlü bir çekirdek tabanlı sınıflayıcı olan GCNN, sınıflandırma performansını arttırmak için CNN yapısına adapte edilmiştir. Bu adaptasyon kesinlik, duyarlılık ve F1-skor değerlerinde sırası ile %44.45, %39.69 ve %43.57 değerlerine kadar bağıl bir performans artışı sağlamıştır. Bu adaptasyon performansı önemli ölçüde arttırmasına karşın, konvolüsyonel kısmın temsil yeteneği anlamında zayıf kaldığı gözlemlenmiştir. Bu nedenle, daha yüksek bir öğrenme performansına sahip bir konvolüsyon tekniği geliştirme fikri ortaya çıkmıştır. Yeni bir konvolüsyon tekniği olan, bir piksel ve komşuları arasındaki yönlü değişim farklarını ele alan farksal konvolüsyon önerilmiştir. Farksal konvolüsyon uygulayan derin öğrenme yapıları farksal konvolüsyonel sinir ağları olarak adlandırılmıştır. Bu yapılar doğruluk, kesinlik, duyarlılık ve F1-skor değerlerinde sırası ile 55.29%, 58.43%, 41.75% ve 56.43% değerlerine kadar bağıl bir performans artışı sağlamıştır.

Özet (Çeviri)

Deep learning structures have achieved unprecedented success rates in many scientific research areas. The well-known deep structure, convolutional neural network, is commonly used in pattern recognition studies. Convolutional neural network structures are composed of a feature extractor consisting of convolution and pooling layers and a fully connected network used as a classifier. In the first study of the thesis, GCNN, a strong kernel-based classifier, was adapted to CNN structure to increase the classification performance. This adaptation led a relative performance increase up to 44.45%, 39.69% and 43.57% for precision, recall, and F1-score, respectively. Although this adaptation yielded a significant increase in performance, it was observed that the convolutional part was weak in terms of representation. Therefore, the idea of developing a convolution technique with higher learning performance has emerged. A novel convolution technique named as Differential Convolution which considers directional changes among a pixel and its neighbors is proposed. Deep structures applying Differential Convolution are named as Differential Convolutional Neural Networks. These structures made a relative performance boost up to 55.29%, 58.43%, 41.75% and 56.43% for accuracy, precision, recall, and F1-score, respectively.

Benzer Tezler

  1. Feasibility analysis based on advanced deep learning techniques in integrating renewable energy resources into microgrids

    Yenilenebilir enerji kaynaklarının mikroşebekelere entegre edilmesinde gelişmiş derin öğrenme tekniklerine dayalı uygulanılabilirlik analizi

    FATHI FARAH FADOUL FATHI FARAH FADOUL

    Doktora

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. RAMAZAN ÇAĞLAR

  2. Deep learning based visual navigation in indoor environments

    Kapalı ortamlarda derin öğrenim tabanlı görsel navigasyon

    BERK AĞIN

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Elektrik ve Elektronik MühendisliğiDokuz Eylül Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. GÜLESER KALAYCI DEMİR

  3. Derin öğrenme kullanarak uydu görüntülerinden yol tespiti

    Road identification from satellite imagery using deep learning

    MOHAMMED MAHMOOD ABDULWAHAB NASSER

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Jeodezi ve FotogrametriErciyes Üniversitesi

    Harita Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ÜMİT HALUK ATASEVER

  4. Prediction of COVID 19 disease using chest X-ray images based on deep learning

    Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini

    ISMAEL ABDULLAH MOHAMMED AL-RAWE

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ADEM TEKEREK

  5. Çok amaçlı optimizasyon problemlerinin çözümünde Pareto tabanlı yeni yaklaşımlar

    New approaches on Pareto based for solving multi-objective optimization problems

    MUSTAFA ALTIOK

    Doktora

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MESUT GÜNDÜZ