Evrişimsel sinir ağları ile kapsül ağının sınıflandırma performanslarının karşılaştırılması
Compare the classification performances of convolutional neural networks and capsule networks on the coswara dataset
- Tez No: 812844
- Danışmanlar: DR. ÖĞR. ÜYESİ MUHAMMET ALİ ARSERİM, DR. ÖĞR. ÜYESİ ÖMER TÜRK
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Dicle Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Bilim Dalı
- Sayfa Sayısı: 56
Özet
Evrişimsel Sinir Ağları (ESA) ve Kapsül Ağları (KA), bilgisayar görüsü, doğal dil işleme, konuşma tanıma ve robotik dahil olmak üzere çeşitli alanlarda yaygın olarak kullanılan iki sinir ağı türüdür. Evrişimsel Sinir Ağları, bir dizi evrişimli katman kullanarak girdileri işlemek için tasarlanmış ileri beslemeli sinir ağlarıdır. Bu katmanlar, bir dizi özellik haritası oluşturan girdiden özellikleri çıkarmak için filtreler uygular. Özellik haritaları daha sonra verilerin uzamsal boyutsallığını azaltan havuzlama katmanları tarafından işlenir. Son olarak, bir veya daha fazla tamamen bağlı katman nihai çıktıyı oluşturur. Öte yandan, Kapsül Ağları, özellikler arasındaki uzamsal ilişkileri yönetememe gibi ESA'ların bazı sınırlamalarının üstesinden gelmeyi amaçlayan nispeten yeni bir sinir ağı türüdür. Kapsül Ağları, farklı nesne özelliklerini temsil eden nöron grupları olan kapsüllerin hiyerarşik yapısını kullanır. Bu kapsüller, özellikler arasındaki uzamsal ilişkileri öğrenmelerine izin verecek şekilde bağlanır ve öğrenilen uzamsal ilişkiler sayesinde daha kapsamlı bir nesne temsiline yol açar. Bu çalışmada hem sağlıklı bireyler hem de COVID-19'lu kişiler için ses örnekleri içeren ve çevrimiçi olarak erişilebilen Coswara veri setine hem Evrişimsel Sinir Ağları hem de Kapsül Ağları uygulanmıştır. İki ağın sınıflandırma performansı karşılaştırılmış, çapraz doğrulama, aşırı örnekleme ve normalizasyon gibi çeşitli tekniklerin sınıflandırma performansı üzerindeki etkileri değerlendirilmiştir. Elde edilen sonuçlardan, en iyi sınıflandırma performans başarımının Evrişimsel Sinir Ağından elde edildiği ve Kapsül Ağlarından daha hızlı olduğu görülmüştür. Ayrıca, ön işleme teknikleri uygulanmadığı zaman, Evrişimsel Sinir Ağının sınıflandırma performansının, Kapsül Ağlara göre daha az etkilendiği tespit edilmiştir.
Özet (Çeviri)
Convolutional Neural Networks (CNN) and Capsule Networks (CapsNet) are two commonly used types of neural networks in various fields, including computer vision, natural language processing, speech recognition, and robotics.CNNs are feedforward neural networks designed to process inputs using a sequence of convolutional layers. These layers apply filters to extract features from the input, which generates a set of feature maps. The feature maps are then processed by pooling layers that reduce the spatial dimensionality of the data. Finally, one or more fully connected layers generate the final output. On the other hand, Capsule Networks are a relatively new type of neural network that aims to overcome some of the limitations of CNN, such as their inability to handle spatial relationships between features. Capsule Networks use a hierarchical structure of capsules, which are groups of neurons that represent different object properties. These capsules are connected in a way that allows them to learn spatial relationships between features, leading to a more comprehensive object representation.In this study, we applied both Convolutional Neural Networks and Capsule Networks to the Coswara dataset, which contains audio samples for both healthy individuals and those with COVID-19, and is available online. We compared the classification performance of two networks were compared and the classification performance, such as cross-validation, oversampling, and normalization were evaluated. Our results were shown that the Convolutional Neural Network achieved the best results and was faster than the Capsule Network. Moreover, the CNN was less impacted when preprocessing techniques were not applied.
Benzer Tezler
- Hyperspectral data classification via capsule networks
Kapsül ağları ile hiperspektral verilerin sınıflandırılması
ELMAS TOKER
Yüksek Lisans
İngilizce
2019
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. GÖZDE BOZDAĞI AKAR
- Improved bone marrow cell classification using enhanced capsnet and enhanced U-net: Addressing data imbalance and large-scale data
Geliştirilmiş kapsül ağı ve U-net kullanarak kemik iliği hücrelerinin iyileştirilmiş sınıflandırılması: Veri dengesizliği ve büyük ölçekli veri sorunlarına çözüm
AMINA FARIS ABDULLAH AL-RAHHAWI
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NESRİN AYDIN ATASOY
- Clothing image retrieval with triplet capsule networks
Başlık çevirisi yok
OSMAN FURKAN KINLI
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÖzyeğin ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
YRD. DOÇ. DR. MUSTAFA FURKAN KIRAÇ
- Kapsül ağlar ile derin öğrenme tabanlı çok sınıflı sperm morfoloji analizi
Deep learning based multiclass sperm morphology analysis with capsule networks
HOSSEIN MOHAMMADI
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HAMZA OSMAN İLHAN
- Evrişimsel sinir ağları ile ortam tarifleme
Environment description with convolutional neural networks
ANIL ÇETİNSOY
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MİNE ELİF KARSLIGİL YAVUZ