Geri Dön

Konvolüsyon sinir ağlarında transfer öğrenmesi yöntemi ile araç modellerinin sınıflandırılması

Classification of vehicle models by transfer learning method in convolution neural networks

  1. Tez No: 614584
  2. Yazar: BEGÜM KILIÇ
  3. Danışmanlar: PROF. DR. ALİ AKDAĞLI
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2019
  8. Dil: Türkçe
  9. Üniversite: Mersin Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 60

Özet

Ülkemizde sanayi odaklı üretimin artmasıyla beraber hemen hemen her alanda yapay zekânın kullanımı yaygınlaşmaktadır. Son on yılda gerçekleştirilen çalışmalar dikkate alındığında makine öğrenmesinin alt dallarından biri olan derin öğrenmenin ön plana çıktığı görülmektedir. Bu nedenle çoğu problemin çözümünde derin öğrenme yöntemleri etkin bir şekilde kullanılmaya başlanmıştır. Makine öğrenmesi uygulamalarında belirli bir veri kümesi üzerinden özellikler elde edilerek analizi gerçekleştirilir. Kullanılan yöntemin performansını, elde edilen özellikler büyük ölçüde etkiler. Özellik çıkarma işlemi uzmanlık gerektiren bir konudur. Fazla miktarda verilerin bulunduğu uygulamalardan özellik çıkarımı ve sınıflandırma işleminin otomatik bir şekilde yapıldığı algoritmalara ihtiyaç duyulur. Bu iki işlemi bir arada ve otomatik bir şekilde gerçekleştiren derin öğrenme yöntemlerinden faydalanılması gerekir. Bununla birlikte derin öğrenme algoritmaları fazla miktarda veriye ve zamana ihtiyaç duyduğundan transfer öğrenimi önerilir. Transfer öğrenmesi, yüksek performans sağlayan derin öğrenme yönteminin, tasarımcının probleminin çözümüne aktarılmasıdır. Bu işlemde seçilen derin öğrenme modelinin bütün parametreleri, tasarımcının probleminde başlangıç parametresi olarak seçilir. Daha sonrasında eğitim ve test işlemleri gerçekleştirilir. Bu tez çalışmasında mobese kamerası kullanılarak elde edilen 169 farklı araç modelinin belirlenmesi transfer öğrenmesi yöntemiyle gerçekleştirilmiştir. Transfer öğrenmesi için seçilen modeller AlexNet, GoogleNet ve ResNet-50'dir. Bu modellerde sınıflandırıcı olarak Softmax ve Destek Vektör Makinesi kullanılmıştır. Elde edilen sonuçlar karşılaştırmalı analiz olarak sunulmuştur.

Özet (Çeviri)

With the increase in industry-oriented production in our country, the use of artificial intelligence is becoming widespread in almost every field. Considering the studies carried out in the last decade, it is seen that deep learning, which is one of the sub-branches of machine learning, comes to the forefront. For this reason, deep learning methods have been used effectively in solving most problems. Machine learning applications are obtained from a specific dataset and analyzed. The performance of the method greatly influences from extracted features. Feature extraction is a matter that requires expertise. Algorithms are needed to automatically extract feature and classification from applications with large amounts of data. Deep learning methods, which perform these two processes together and automatically, should be utilized. However, since deep learning algorithms require large amounts of data and time, transfer learning is proposed. Transfer learning is the transfer of deep learning method that provides high performance to the solution of the designer's problem. In this process, all parameters of the selected deep learning model are assigend as the initial parameter in the designer's problem. Afterwards, training and test procedures are carried out. In this thesis, 169 different vehicle models obtained using mobile electronics system integration camera were determined by transfer learning method. The proposed models for transfer learning are AlexNet, GoogleNet and ResNet-50. Softmax and Support Vector Machine are used as classifier in these models. The results obtained are presented as a comparative analysis.

Benzer Tezler

  1. Derin öğrenme ile cerrahi video anlama

    Surgical video understanding with deep learning

    ABDISHAKOUR ABDILLAHI AWALE ABDISHAKOUR ABDILLAHI AWALE

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilişim Sistemleri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ DUYGU SARIKAYA

  2. Developing a novel artificial intelligence based method for diagnosing chronic obstructive pulmonary disease

    Kronik obstrüktif akciğer hastalığı teşhisi için yapay zeka tabanlı yeni bir yöntem geliştirilmesi

    İNANÇ MORAN

    Doktora

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. DENİZ TURGAY ALTILAR

  3. Crowd localization and counting via deep flow maps

    Derin öğrenme ile çıkarılan hareket haritaları kullanılarak nesne kalabalıklarının tespiti ve sayımı

    PEDRAM YOUSEFI

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. BİLGE GÜNSEL

  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. Efficient deep learning approaches for signal and image analysis applications

    Sinyal ve görüntü analizi uygulamaları için verimli derin öğrenme yaklaşımları

    ONUR CAN KOYUN

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    PROF. DR. BEHÇET UĞUR TÖREYİN