Görüntü sınıflandırması için evrişimsel sinir ağlarında parametrelerin sınıflandırma performansına etkisi
Effect of parameters on classification performance in convolutional neural networks for image classification
- Tez No: 826574
- Danışmanlar: DOÇ. DR. KEMAL ADEM
- Tez Türü: Yüksek Lisans
- Konular: Yönetim Bilişim Sistemleri, Management Information Systems
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Aksaray Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: Yönetim Bilişim Sistemleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- 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
- Comressıon of convolutıonal neural networks vıa hıgh dımensıonal model representatıon
Yüksek boyutlu model gösterilimi aracılığıyla evrişimsel sinir ağlarının sıkıştırılması
BERNA YILMAZ
Yüksek Lisans
İngilizce
2025
Bilim ve Teknolojiİstanbul Teknik ÜniversitesiHesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SÜHA TUNA
- 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
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- 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
2024
Jeodezi ve FotogrametriKonya Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. FERRUH YILDIZ
- Öz bilgi destekli derin öğrenme yaklaşımları ile hsg gürültü giderme
Self-ınformation empowered deep learning approaches for hsı denoising
ORHAN TORUN
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiHacettepe ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SENİHA ESEN YÜKSEL ERDEM
PROF. DR. MEHMET ERKUT ERDEM
- Evolutionary feature optimization for plant leaf disease detection by deep neural networks
Bitki yaprak hastalık teşhisi için derin sinir ağları ile evrimsel özellik optimizasyonu
JALAL SADOON HAMEED AL BAYATI
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Prof. Dr. BURAK BERK ÜSTÜNDAĞ