Geri Dön

Görüntü sınıflandırması için evrişimsel sinir ağlarında parametrelerin sınıflandırma performansına etkisi

Effect of parameters on classification performance in convolutional neural networks for image classification

  1. Tez No: 826574
  2. Yazar: İBRAHİM AKSOY
  3. Danışmanlar: DOÇ. DR. KEMAL ADEM
  4. Tez Türü: Yüksek Lisans
  5. Konular: Yönetim Bilişim Sistemleri, Management Information Systems
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Aksaray Üniversitesi
  10. Enstitü: Sosyal Bilimler Enstitüsü
  11. Ana Bilim Dalı: Yönetim Bilişim Sistemleri Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 58

Özet

Günümüzde, görüntü işleme ve örüntü tanıma alanında büyük ilerlemeler kaydedilmekte ve bu alandaki başarıların arkasında evrişimsel sinir ağları büyük bir rol oynamaktadır. Biyolojik sinir ağlarının işleyişinden ilham alarak tasarlanan evrişimsel sinir ağları, görüntü verileri üzerinde nesne tanıma, sınıflandırma ve öznitelik çıkarma gibi görevleri başarıyla gerçekleştirmektedir. Ancak evrişimsel sinir ağlarının tasarlanması ve uygulanmasında karşılaşılan bazı zorluklar mevcuttur. Kullanılan evrişimsel sinir ağı modeline, veri setine ve donanımlara göre hiperparametrelerin optimizasyonu konusu bu zorlukların başında gelmektedir. Bu çalışmada iki farklı veri seti kullanılarak evrişimsel sinir ağı modellerinde bazı hiperparametrelerin sınıflandırma performansı üzerindeki etkileri incelenmiştir. Çalışmada incelenen hiperparametreler; eğitim tur sayısı, nöron sayısı, paket boyutu, aktivasyon fonksiyonları, optimizasyon algoritmaları ve öğrenme oranıdır. Keras kütüphanesinde yer alan evrişimsel sinir ağı modellerinde veri setleri üzerinde yapılan testler sonucunda en iyi performansı gösteren NASNetMobile ve DenseNet201 modelleri ile uygulamalar yapılmıştır. Hiperparametrelerin farklı aralıklardaki değerleri ile planlanan 65 farklı model için eğitim uygulanmış ve sonuçlar elde edilmiştir. Yapılan çalışmalar neticesinde doğruluk oranlarında NASNetMobile modelinde başlangıç değerine göre % 6,5, DenseNet201 modelinde ise başlangıç değerine göre % 11,55 yükselme gözlemlenmiştir.

Özet (Çeviri)

Nowadays, great progress has been made in the field of image processing and pattern recognition, and convolutional neural networks play a major role behind the success in this field. Convolutional neural networks designed with inspiration from effectiveness of biological neural networks successfully implement processors such as object recognition, thinking, and feature extraction on image data. However, there are some difficulties encountered in the design and implementation of convolutional neural networks. Optimization of hyperparameters according to the convolutional neural network model, data set and hardware used is one of these difficulties. In this study, the effects of some hyper parameters on classification performance in convolutional neural networks models were investigated using two different datasets. Hyperparameters examined in the study; the number of epochs, the number of neurons, batch size, activation functions, optimization algorithms and learning rate. In the convolutional neural network models thosetake place in the Keras library, applications were made with the NASNetMobile and DenseNet201 models, which showed the best performance as a result of the tests made in the dataset. 65 different training tasks planned with the values of the hyperparameters in different intervals were applied and the results were obtained. As a result of the studies, it was observed that the accuracy rates increased by 6.5% compared to the initial value in the NASNetMobile model and by 11.55% compared to the initial value in the DenseNet201 model.

Benzer Tezler

  1. 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

  2. Meme kanseri histopatolojik görüntülerinin derin öğrenme yöntemleriyle sınıflandırılması

    Classification of breast cancer histopatological images using deep learning methods

    KADİR CAN BURÇAK

    Doktora

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. HARUN UĞUZ

  3. 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

  4. Novel fractional order calculus-based audio processing methods and their applications on neural networks for classification and synthesis problems

    Kesirli mertebeden kalkülüs temelli yeni ses işleme yöntemleri ve bunların sinir ağları üzerinde sınıflandırma ve sentez problemlerine uygulanması

    BİLGİ GÖRKEM YAZGAÇ

    Doktora

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MÜRVET KIRCI

  5. Yüksek çözünürlüklü uydu görüntü verileri kullanılarak bina ve yol sınıflarının derin öğrenme yöntemiyle belirlenmesi

    Determination of building and road classes using high-resolution satellite image data with a deep learni̇ng method

    DUYGU ARIKAN

    Doktora

    Türkçe

    Türkçe

    2024

    Jeodezi ve FotogrametriKonya Teknik Üniversitesi

    Harita Mühendisliği Ana Bilim Dalı

    PROF. DR. FERRUH YILDIZ