Evrişimli sinir ağlarında kullanılan havuzlama katmanının analizi
Analysis of pooling layer used in convolutional neural networks
- Tez No: 891893
- Danışmanlar: DOÇ. DR. KALİ GÜRKAHRAMAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Sivas Cumhuriyet Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yapay Zeka ve Veri Bilimi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasında, derin öğrenme modellerinde önemli bir işlevi olan havuzlama katmanlarının sınıflandırma performansı ve veri kümesi bağımlılığı incelenmiştir. Çalışmada, yaygın olarak kullanılan ortalama, maksimum ve karma havuzlama yöntemlerine odaklanılmıştır. Yapılan deneyler, karma havuzlama yönteminin çoğu durumda en iyi performans sonuçlarını verdiğini göstermiştir. Bu bulgu, derin öğrenme uygulamalarında karma havuzlamanın alternatif bir yöntem olarak değerlendirilmesi gerektiğini ortaya koymaktadır. Çalışmanın bir diğer önemli bulgusu ise, belirli görüntü özelliklerine ait metrik değerleri ile karma havuzlamada kullanılan α parametresi arasındaki ilişkinin incelenmesidir. Sonuçlar, modelin bazı görüntü özelliklerine duyarlılığını ve bu özelliklerin model performansına olan etkisini göstermektedir. Özellikle keskinlik ve entropi gibi özelliklerin, modelin sınır belirleme kabiliyetini artırarak performansı olumlu yönde etkilediği tespit edilmiştir. Ancak, bazı görüntü özelliklerine ait korelasyon seviyelerinde farklı deneylerde tutarsız sonuçlar üretmiştir. Bu durum, kesin yargıya varmak için daha geniş ve çeşitli görüntü tipleri içeren veri kümeleriyle deneyler yapılması gerektiğini göstermiştir. Bu bulgular, derin öğrenme modellerinin optimizasyonu için değerli ipuçları sunmaktadır.
Özet (Çeviri)
In this thesis study, the classification performance and dataset dependency of pooling layers, which play a crucial role in deep learning models, have been examined. The study focused on the widely used average, max, and mixed pooling methods. Experiments demonstrated that the mixed pooling method often produced the best performance results. This finding suggests that mixed pooling should be considered as an alternative method in deep learning applications. Another significant finding of the study is the investigation of the relationship between certain image feature metrics and the α parameter used in mixed pooling. The results indicate the model's sensitivity to specific image features and their impact on model performance. Particularly, features such as sharpness and entropy were found to enhance the model's boundary delineation capability, thereby positively affecting performance. However, inconsistent results in correlation levels for some image features across different experiments suggest that more extensive and diverse image datasets are needed for definitive conclusions. These findings provide valuable insights for optimizing deep learning models.
Benzer Tezler
- Deep learning based three dimensional face expression recognition using geometry images from three dimensional face models
Üç boyutlu yüz modellerinden elde edilen geometri görüntüleri kullanılan derin öğrenme tabanlı üç boyutlu yüz ifadelerini tanıma
NEŞE GÜNEŞ
Yüksek Lisans
İngilizce
2019
İstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Yükleniyor...
- DRONE AND BIRD CLASSIFICATION USING CONVOLUTIONAL NEURAL NETWORKS
EVRİŞİMSEL SİNİR AĞI YÖNTEMİ İLE İNSANSIZ HAVA ARACI VE KUŞ SINIFLANDIRMASI
EDA KARALA
Yüksek Lisans
İngilizce
2020
İstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Building detection from very high resolution satellite images with deep learning approach
Derin öğrenme yaklaşımı ile çok yüksek çözünürlüklü uydu görüntülerinde bina tespiti
ESRA ÖZAYDIN
Yüksek Lisans
İngilizce
2021
İstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Derin öğrenme ile cerrahi video anlama
Surgical video understanding with deep learning
ABDISHAKOUR ABDILLAHI AWALE ABDISHAKOUR ABDILLAHI AWALE
- Derin öğrenme ve büyük veri analitiği yöntemleriKullanarak Covid-19 yayılımının ileriye dönük tahmini
Forecasting the spread of covid-19 using deep learning and big data analytics methods
CYLAS KIGANDA
- Fake news classification using machine learning and deep learning approaches
Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması
SAJA ABDULHALEEM MAHMOOD AL-OBAIDI