CNN googlenet and alexnet architecture deep learning for diabetic retinopathy image processing and classification
CNN googlenet ve alexnet mimari diyabetik retinopati görüntü işleme ve sınıflandırma için derin öğrenme
- Tez No: 826266
- Danışmanlar: DR. ÖĞR. ÜYESİ SEVCAN KAHRAMAN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: İstanbul Gelişim Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 79
Özet
Bu çalışmanın amacı, yaygın olarak kullanılan iki evrişimli sinir ağı (CNN) mimarisinin, yani AlexNet ve GoogLeNet'in performansını, fotoğrafik görüntülerin sınıflandırılmasına ilişkin göreli avantajlarını ve dezavantajlarını belirlemek için analiz etmektir. Bu testin amacı, çocukların çeşitli türden resimleri ne kadar etkili bir şekilde tanıyabildiklerini ve bunlara hazırlanabildiklerini değerlendirmektir. Deneyler ve analizler, algoritmaların uygulanması, çeşitli ön işleme yöntemleri, algoritmaların devamı ve çeşitli ince ayar stratejileri gibi çok çeşitli konuları içerir. Çeşitli eğitim periyodu ortamlarında inceleme yapılır ve bu incelemelerden elde edilen bulgular ve grafikler karşılaştırılır. Bulgular, hem AlexNet hem de GoogLeNet'in fotoğraf sınıflandırma sürecinde kullanılma yeteneğine sahip olduğunu göstermektedir. AlexNet, yalnızca altı turluk bir eğitimden sonra rakiplerine göre şimdiden bir performans avantajına sahip. Başlangıçta, GoogleNet, Caffe kadar doğru değildi, ancak muazzam eğitim tekrarlarıyla uğraşarak kısa sürede yakalandı. Genel olarak, çalışmanın bulguları, uygun CNN mimarisinin seçilmesinin kişisel zevkten çok zorunluluk tarafından yönlendirilmesi gerektiğini ima etmektedir. AlexNet daha az dönemle yüksek doğruluk sunarken, GoogLeNet daha fazla eğitimle daha yüksek performans potansiyeli gösteriyor. Bu araştırma, akademisyenlerin ve uygulayıcıların görüntü sınıflandırma görevleri için model seçerken daha eğitimli kararlar vermelerine yardımcı olmakla kalmıyor, aynı zamanda CNN mimarileri hakkındaki anlayışımızı da artırıyor.
Özet (Çeviri)
The aim of this study is to analyze the performance of two widely used convolutional neural network (CNN) architectures, namely AlexNet and GoogLeNet, to determine their relative advantages and disadvantages regarding classification of photographic images. The purpose of this test is to assess how effectively children can recognize and prepare for various types of pictures. It covers a wide range of topics such as experiments and analysis, implementation of algorithms, various preprocessing methods, continuation of algorithms, and various fine-tuning strategies. Examinations are made in various educational period environments and the findings and graphics obtained from these reviews are compared. The findings show that both AlexNet and GoogLeNet have the ability to be used in the photo classification process. AlexNet already has a performance advantage over its competitors after only six rounds of training. Initially, GoogleNet wasn't quite as accurate as Caffe, but it soon caught on, dealing with massive training repetitions. Overall, the study's findings imply that choosing the appropriate CNN architecture should be driven by necessity rather than personal taste. AlexNet offers high accuracy with less epochs, while GoogLeNet shows potential for higher performance with more training. This research not only helps academics and practitioners make more educated decisions when choosing models for image classification tasks, it also increases our understanding of CNN architectures.
Benzer Tezler
- Evrişimli sinir ağları kullanılarak retina görüntülerinin segmentasyonu ve sınıflandırılması
Segmentation and classification of retina images using convolutional neural networks
MALI MOHAMMEDHASAN
Doktora
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HARUN UĞUZ
- A comparison of loss functions in deep embedding
Derin gömme yitim fonksiyonlarının karşılaştırılması
CENK BİRCANOĞLU
Yüksek Lisans
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. NAFİZ ARICA
- COVID-19 hastalığının derin öğrenme yöntemleri kullanılarak tespiti
Detection of COVID-19 disease using deep learning methods
HÜSEYİN YAŞAR
Doktora
Türkçe
2022
Elektrik ve Elektronik MühendisliğiKonya Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MURAT CEYLAN
- EEG sinyalleri ve derin öğrenme modelleri kullanılarak dikkat eksikliği ve hiperaktivite bozukluğu tespiti
Attention deficit hyperactivity disorder prediction using EEG signals and deep learning models
YAĞMUR CAN
Yüksek Lisans
Türkçe
2024
BiyomühendislikTOBB Ekonomi ve Teknoloji ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. OSMAN EROĞUL
- Uzaktan algılamada derin öğrenme tabanlı hiperspektral uydu görüntülerinin sınıflandırılması
Classification of deep learning based hyperspectral satellite images in remote sensing
HÜSEYİN FIRAT
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİnönü ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DAVUT HANBAY