Geri Dön

Görüntü sınıflandırması için evrişimsel sinir ağı-metasezgisel algoritmalar tabanlı yeni bir hibrit yaklaşım geliştirilmesi

Development of a novel hybrid approach based on convolutional neural networks-metaheuristic algorithms for image classification

PDF İndir

  1. Tez No: 885596
  2. Yazar: SEDA VAROL
  3. Danışmanlar: DR. ÖĞR. ÜYESİ SONER KIZILOLUK
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Bilim ve Teknoloji, Computer Engineering and Computer Science and Control, Science and Technology
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Malatya Turgut Özal Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Enformatik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 50

Özet

Maymun çiçeği virüsü, önceden Afrika'da endemik olan ve çiçek hastalığına benzeyen bir zoonotik hastalıktır. Ancak son zamanlarda, insanlar arasında bulaşma ve Afrika dışındaki salgınlar artmıştır, bu da dikkat çekmektedir. Hastalık genellikle kendi kendine sınırlıdır, ancak %10'a kadar ölümcül olabilir ve ciddi yan etkilere neden olabilir. Bu nedenle, etkili bir tespit, tedavi ve önleme stratejilerinin geliştirilmesi önemlidir. Derin öğrenme, özellikle tıp alanında, çeşitli karmaşık sorunları çözmek için yüksek doğruluk ve hassasiyet gerektiren uygulamalarda yaygın olarak kullanılmaktadır. Görüntü sınıflandırma alanında derin öğrenme tabanlı yaklaşımlar önemli başarılar elde etmiş ve birçok sağlık problemine karar destek mekanizması olarak hizmet etmiştir. Bu çalışmada, Maymun Çiçeği Virüsü (Monkeypox) hastalığına yakalanan insanların vücut görüntüleri ile normal vücut görüntülerini sınıflandırmak için uygun bir veri seti kullanılmıştır. Toplamda 1139 görüntüden oluşan veri seti, 587 Monkeypox ve 552 normal görüntü içermektedir. Derin öğrenme modellerinden Evrişimli Sinir Ağları (ESA), özellik çıkarımı için kullanılmıştır. ESA mimarilerinden önceden eğitilmiş AlexNet, DarkNet19, InceptionNet-v3 ve ResNet18 modelleri tercih edilmiştir. Elde edilen özellikler daha sonra Support Vector Machine (SVM), K-Nearest Neighbors (KNN) ve Decision Tree (DT) gibi farklı sınıflandırıcılarla sınıflandırılmıştır. Daha sonra, Metasezgisel Algoritmaların biri olan Deniz Atı Optimizasyon Algoritması (Sea-horse Optimizer - SHO) kullanılarak sınıflandırıcı yöntemler bir araya getirilerek özellik seçimi yapılmıştır. Bu, sınıflandırma performansını artırmak için olumsuz etkilere neden olabilecek özelliklerin elemine edilmesini ve daha etkili özelliklerin seçilmesini sağlar. Deneysel sonuçlar, ESA modellerinden elde edilen özelliklerin SHO ile özellik seçimi uygulanmasıyla sınıflandırma performansının önemli ölçüde arttığını göstermektedir.

Özet (Çeviri)

Monkeypox, previously endemic to Africa and resembling smallpox, is a zoonotic disease that has recently garnered attention due to increased transmission among humans and outbreaks beyond Africa. While the disease typically self-limits, it can result in up to 10% mortality and severe complications. Therefore, it is important to develop effective strategies for detection, treatment, and prevention. Deep learning, particularly prevalent in medical applications requiring high accuracy and precision, has seen significant success in various complex problem-solving tasks. Deep learning-based approaches in image classification have particularly excelled, serving as decision support mechanisms in numerous healthcare challenges. In this study, a suitable dataset was utilized to classify images of individuals infected with Monkeypox and normal body images. The dataset comprised a total of 1139 images, including 587 Monkeypox and 552 normal images. Convolutional Neural Networks (CNNs) were employed for feature extraction, with pre-trained models such as AlexNet, DarkNet19, InceptionNet-v3, and ResNet18 preferred. Subsequently, the extracted features were classified using various classifiers, including Support Vector Machine (SVM), K-Nearest Neighbors (KNN), and Decision Tree. Following this, a novel hybrid approach integrating metaheuristic algorithms, specifically the Sea-horse Optimizer (SHO), was employed for feature selection. This process aimed to eliminate features that could adversely affect classification performance and select more effective ones. Experimental results demonstrate a significant enhancement in classification performance through the application of SHO for feature selection on features extracted from CNN models.

Benzer Tezler

  1. Tez No

    768890

    A hybrid deep learning metaheuristic model for diagnosis of diabetic retinopathy

    Diyabetik retinopatinin tanısı için hibrit bir derin öğrenme meta-sezgisel modeli

    ÖMER FARUK GÜRCAN

    Doktora

    İngilizce

    İngilizce

    2022

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA

  2. Tez No

    826574

    Görüntü sınıflandırması için evrişimsel sinir ağlarında parametrelerin sınıflandırma performansına etkisi

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

    İBRAHİM AKSOY

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Yönetim Bilişim SistemleriAksaray Üniversitesi

    Yönetim Bilişim Sistemleri Ana Bilim Dalı

    DOÇ. DR. KEMAL ADEM

  3. Tez No

    759996

    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. Tez No

    512333

    Skin lesion classification using deep convolutional neural network and HSV color space

    Derin evrişimsel sinir ağı ve HSV renk uzayı kullanarak cilt lezyonlarının sınıflandırılması

    TAMERLAN NUSRADDINOV

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MUSTAFA ERSEL KAMAŞAK

  5. Tez No

    895804

    Vision transformer network implementation for multi-label image classification

    Çoklu etiketli görüntü sınıflandırması için görüntü dönüştürücü ağ uygulaması

    EMRE AKKAŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik MühendisliğiBaşkent Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SELDA GÜNEY

Geri Dön