Use of a deep learning CNN architecture in product image quality assessment for improving e-commerce customer experience
E-ticaret müşteri deneyimini geliştirmek için ürün görüntü kalitesi değerlendirmesinde derin öğrenme CNN mimarisinin kullanımı
- Tez No: 854204
- Danışmanlar: DOÇ. DR. SELAMİ BAĞRIYANIK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Büyük Veri Analitiği ve Yönetimi Ana Bilim Dalı
- Bilim Dalı: Büyük Veri Analitiği ve Yönetimi Bilim Dalı
- Sayfa Sayısı: 83
Özet
E-ticaret dünyasının dinamik yapısında, ürün görsellerinin görsel etkisi, tüketicilerin algıları ve tercihleri üzerinde inanılmaz bir etkiye sahiptir. Bu çalışma, yapay zeka (YZ) ile e-ticaret arasındaki ilginç etkileşimi ele alarak, müşterinin bakış açısından ürün görüntüsünü hassas bir şekilde değerlendiren çığır açıcı bir YZ destekli model önermektedir. Çeşitli bir veri setinin dikkatlice düzenlenmesiyle, karmaşık bir evrişimsel sinir ağı (CNN) mimarisi geliştirdik. Etkileyici bir şekilde, modelimiz test veri setinde %98'lik dikkate değer bir doğruluk elde etti ve görüntüleri doğru bir şekilde sınıflandırmadaki yeteneklerini sergiledi. Dahası, veri setinin kendisinin sıfırdan titizlikle oluşturulduğunu ve görüntülerin doğrudan modelle entegre edildiğini vurgulamak önemlidir. Bu özel veri seti, CNN mimarisini eğitmek için temel oluşturdu. Bu başarı önemli olsa da, eğitim verimizin sınırlı boyutunu kabul etmek önemlidir. Bu, modelin daha geniş bir görsel girdi yelpazesi için uyum sağlama yeteneği hakkında önemli düşünceleri gündeme getirir. Bu durumu ele almak için veri artırma ve model düzenleme gibi yenilikçi teknikleri uyguladık, modelin yeni ve görünmeyen verilerle başa çıkma yeteneğini güçlendirdik. Dahası, araştırmamız model geliştirmenin ötesine geçmektedir. (Visual Analysis Platform) adresinde oluşturduğumuz etkileşimli bir web sitesi, kullanıcıların modelimizin yeteneklerini, araştırmamızda belirlenen kategorilere dayanarak görüntü kalitesini değerlendirme konusundaki yeteneklerini bizzat deneyimlemelerine olanak tanır. Bu platform, sadece analiz ve kullanıcı etkileşimi için değil, aynı zamanda kullanıcı tarafından oluşturulan görüntülerin toplanması için de hizmet vermektedir. Bu görüntüler, veri setimizin zenginleştirilmesine katkıda bulunur ve modelin e-ticaret ürün görüntülerini analiz etme yeteneğinde sürekli iyileşmeyi ve daha yüksek doğruluğu amaçlar.
Özet (Çeviri)
In the dynamic world of e-commerce, the visual impact of product images holds incredible sway over consumer perceptions and choices. This study delves into the intriguing interplay of artificial intelligence (AI) and e-commerce, proposing a groundbreaking AI-driven model that precisely assesses image quality from the customer's perspective. Through the careful curation of a diverse dataset, we crafted a sophisticated convolutional neural network (CNN) architecture. Impressively, our model achieved a remarkable 98% accuracy on the test dataset, demonstrating its prowess in categorizing images accurately. Moreover, it is imperative to highlight that the dataset itself was meticulously created from scratch, with the images designed and integrated directly into the model. This bespoke dataset served as the cornerstone for training the CNN architecture. While this accomplishment is noteworthy, it's important to acknowledge the limited size of our training data. This raises important considerations about the model's adaptability to a broader range of visual inputs. To address this, we applied innovative techniques such as data augmentation and model regularization, fortifying the model's ability to handle new, unseen data. Furthermore, our research extends beyond model development. We have created an interactive website (Visual Analysis Platform) that allows users to experience firsthand the capabilities of our model in assessing image quality based on the categories established in our research. This platform serves not only for analysis and user engagement but also for collecting user-generated images. These images contribute to our dataset enrichment, aiming for continuous improvement in the model's ability.
Benzer Tezler
- Satellite images super resolution using generative adversarial networks
Uydu görüntülerinde çekişmeli üretici ağ kullanarak süper çözünürlük
MARYAM SERDAR
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. AHMET HAMDİ KAYRAN
- Derin öğrenme ağları kullanılarak 3B tıbbi görüntü tanımlanması
3D medical image recognition using deep learning networks
ROUBA OMAR ALAHMAD ALOSMAN
Yüksek Lisans
Türkçe
2023
Mühendislik BilimleriSakarya ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
PROF. DR. İSMAİL HAKKI CEDİMOĞLU
- Deep learning for ınverse problems in ımaging
Görüntüleme ters problemlerinde derin öğrenme
HASAN HÜSEYİN KARAOĞLU
Doktora
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
- 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
- Detection and recognition face framework by using conventional neural network CNN
Başlık çevirisi yok
WISAM ABBAS HUSSEIN AL-SAADI
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SEFER KURNAZ