Derin öğrenme ile plankton sınıflandırması
Plankton classification with deep learning
- Tez No: 758557
- Danışmanlar: DOÇ. DR. SENİHA ESEN YÜKSEL ERDEM
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 124
Özet
Planktonlar atmosferdeki oksijenin yaklaşık olarak yarısını üretmekten sorumlu olan, su ekosisteminde besin zincirinin en alt basamağında yer alan, dünyadaki yaşamın en önemli bileşenlerinden biridir. Plankton dağılımları, küresel ısınma gibi iklim değişiklikleri için önemli bir haberci olarak görülmektedir. Bundan dolayı dağılımlarını takip etmek, analizlerini yapmak ve su kalitesi hakkında bilgi sahibi olmak kritik bir öneme sahiptir. Plankton görüntüleme teknolojilerinin gelişmesiyle birlikte su ekosistemlerinden çok sayıda plankton görüntüsü elde edilmektedir. Geleneksel manuel sınıflandırma sistemleri, giderek büyüyen plankton veri kümesi sınıflandırma gereksinimlerini karşılayamamaktadır. Manuel sınıflandırma sistemleri, uzmanlık bilgisi gerektiren ve oldukça zaman alıcı olan yöntemlerdir. Bu nedenle, elde edilen verinin çok fazla sayıda olması ve planktonların dağılımlarının bilinmesinin önemli olması veriyi sınıflandıran otomatik sistemlere ihtiyacı günden güne arttırmaktadır. Tez kapsamında, Ulusal Veri Bilimi Kasesi olarak adlandırılan Kaggle platformunda düzenlenen, planktonları otomatik olarak algılamayı amaçlayan yarışmada yayınlanan 121 sınıfa ait 30.336 plankton görüntüsünden oluşan veri kümesinin 118 sınıfa ve 38 sınıfa sahip iki farklı sürümü kullanılmıştır. Bu çalışmada, plankton görüntülerini sınıflandırmak için derin evrişimsel sinir ağları olan Inceptionv3, InceptionResNetv2, DenseNet, ResNet-50, VGG-16 ağları; aktarım öğrenmesi, ince ayar, tüm katmanların eğitilmesi yöntemleri ile eğitilmiş ve veri arttırma ve ön işleme işlemlerinin eğitime katkısı gözlemlenmiştir. Kaggle veri kümesinin kullanılan iki farklı sürümüyle ağlarda eğitilen modellerde 118 sınıfa sahip ilk sürümünde en yüksek %78 başarım, 38 sınıfa sahip ikinci sürümünde %92 başarım elde edilmiştir. Ortalama topluluk yöntemi kullanılarak ilk sürümünde başarımın %2, ikinci sürümünde %1 artması sağlanmıştır.
Özet (Çeviri)
Plankton which is at the bottom of the food chain in the aquatic ecosystem and is responsible for producing approximately half of the oxygen in the atmosphere, is one of the most important components of life on earth. Plankton distributions are seen as an important precursor for climate changes such as global warming. Therefore, it is very critical to follow their distribution, to analyze and to have information about water quality. With the development of plankton imaging technologies, a large number of plankton images are obtained from aquatic ecosystems. Traditional manual classification systems are unable to meet the ever-growing plankton dataset classification requirements. Manual classification systems are methods that require specialist knowledge and are very time consuming. For this reason, the large number of data obtained and the importance of knowing the distribution of plankton increase the need for automated systems that classify data day by day. Within the scope of the thesis, two different versions of 118 classes and 38 classes of the dataset consisting of 30,336 plankton images belonging to 121 classes published in the competition aiming to automatically detect plankton and organized on the Kaggle platform, called the National Data Science Bowl, were used. In this study, deep convolutional neural networks namely Inceptionv3, InceptionResNetv2, DenseNet, ResNet-50, VGG-16 networks were trained to classify plankton images; transfer learning, fine tuning, training of all layers methods were used and the contribution of data augmentation and preprocessing on classification was observed. With the two different versions of the Kaggle dataset, in the models trained on the networks, the highest performance of 78% was achieved in the first version with 118 classes, and 92% performance in the second version with 38 classes. By using the average ensemble method, the performance increased by 2% in the first version and 1% in the second version of the dataset.
Benzer Tezler
- Derin öğrenme ile Türkçe sağlık metinleri üzerinde olumsuz anlam tespiti
Negation detection in Turkish medical texts with deep learning
ZANA SÖĞÜT
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
PROF. DR. OĞUZ DİKENELLİ
- 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
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. BİLGE GÜNSEL
- Face presantation attack detection by deep learning
Derin öğrenme ile yüz sunum saldırı tespiti
MUHAMMED SELAMCIOĞLU
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolManisa Celal Bayar ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUHAMMET GÖKHAN ERDEM
- Classification of knee osteoarthritis severity using deep learning with fully supervised and semi-supervised-based approaches
Derin öğrenme ile tamamen denetimli ve yarı-denetimli yaklaşım tabanlı diz osteoartrit şiddetinin sınıflandırılması
İLKNUR AKTEMUR
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. İLKAY ÖKSÜZ
- Derin öğrenme ile görsel benzerliklerin bulunması ve müşteri sepet analizi ile e-ticaret alışverişleri için ürün önerisi
Finding visual similarities with deep learning and product recommendation for e-commerce shopping with customer basket analysis
ESRA PULAT
Yüksek Lisans
Türkçe
2024
Endüstri ve Endüstri MühendisliğiYıldız Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. SELİN SONER KARA