Derin öğrenme algoritmalarının değişken çevre faktörlerinde doğruluk oranı değişimleri
Accuracy rate changes of deep learning algorithms in variable environmental factors
- Tez No: 929209
- Danışmanlar: DR. ÖĞR. ÜYESİ HİKMETCAN ÖZCAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 45
Özet
Derin öğrenme algoritmaları, son yıllarda yapay zekâ ve makine öğrenimi alanlarında büyük bir ivme kazanmış ve özellikle görüntü tanıma, nesne tespiti ve sınıflandırma gibi uygulamalarda dikkat çekici başarılar elde etmiştir. Bu algoritmalar, genellikle büyük ve karmaşık veri kümeleri üzerinde çalışarak çeşitli görevleri yerine getirebilme kapasitesine sahiptir. Ancak, bu algoritmaların başarısı yalnızca veri setlerinin büyüklüğü ve kalitesiyle sınırlı değildir. Algoritmaların performansı, çevresel faktörler gibi dışsal koşullardan da önemli ölçüde etkilenebilir. Bu tez, derin öğrenme algoritmalarının değişken çevre koşullarındaki doğruluk oranlarını incelemeyi ve bu koşulların algoritmaların performansı üzerindeki etkilerini analiz etmeyi amaçlamaktadır. Araştırmada, GoogleNet, ProtoNet, AlexNet, ResNet50 VGG16 ve VGG19 popüler derin öğrenme algoritmaları kullanılmıştır. Bu algoritmalar, genellikle görüntü sınıflandırma ve tanıma görevlerinde yaygın olarak tercih edilmektedir. Çalışma kapsamında, Oxford III Pet, ImageNet V2, CIFAR-10, CIFAR-100 ve ImageNet gibi geniş çapta kullanılan veri setleri tercih edilmiştir. Bu veri setleri, farklı zorluk seviyelerine sahip olup, derin öğrenme algoritmalarının çevresel faktörler altındaki performanslarını değerlendirmek için uygun bir temel sağlamaktadır. Araştırmanın odaklandığı çevresel faktörler arasında Gaussian gürültüsü ve Salt and Pepper gürültüsü gibi görüntü bozulmaları yer almaktadır. Bu tür bozulmalar, özellikle görüntülerin netliğini ve doğruluğunu olumsuz yönde etkileyerek algoritmaların doğruluk oranlarını düşürebilir. Çalışma, farklı gürültü seviyelerinin ve çevresel bozulmaların algoritmaların doğruluk oranları üzerindeki etkilerini incelemektedir. Ayrıca, algoritmaların performansını etkileyebilecek diğer faktörler, veri seti boyutları, eğitim süreleri ve ağ yapıların karmaşıklığı gibi değişkenler de analiz edilmiştir. Sonuçlar, derin öğrenme algoritmalarının çevresel faktörlere karşı farklı düzeylerde hassasiyet gösterdiğini ve bu faktörlerin doğruluk oranlarını önemli ölçüde değiştirebileceğini ortaya koymuştur. Özellikle, gürültü seviyesi arttıkça ve veri setinin karmaşıklığı yükseldikçe, algoritmaların performansı olumsuz yönde etkilenmiştir. Bu bağlamda, çevresel faktörlere karşı dayanıklılığı artırmak amacıyla ağ yapılarında iyileştirmeler ve veri ön işleme tekniklerinde geliştirmeler önerilmiştir. Bu çalışma, derin öğrenme algoritmalarının çevresel faktörlere karşı daha sağlam hale getirilmesi için önemli bir temel sunmakta ve bu alandaki gelecekteki araştırmalara ışık tutmaktadır.
Özet (Çeviri)
Deep learning algorithms have gained significant momentum in recent years within the fields of artificial intelligence and machine learning, achieving remarkable success particularly in applications such as image recognition, object detection, and classification. These algorithms typically operate on large and complex datasets, enabling them to perform various tasks effectively. However, the success of these algorithms is not solely constrained by the size and quality of the datasets. The performance of these algorithms can also be significantly influenced by external conditions, such as environmental factors. This thesis aims to examine the accuracy rates of deep learning algorithms under varying environmental conditions and analyze the effects of these conditions on algorithm performance. In this research, popular deep learning algorithms such as GoogleNet, AlexNet, VGG16, VGG19, ResNet50, and ProtoNet have been utilized. These algorithms are commonly preferred for image classification and recognition tasks. The study employs widely used datasets including Oxford III Pet, ImageNet V2, CIFAR-10, CIFAR-100, and ImageNet. These datasets provide a suitable foundation for evaluating the performance of deep learning algorithms under environmental factors due to their varying levels of difficulty. The environmental factors focused on in this research include image distortions such as Gaussian noise and Salt and Pepper noise. Such distortions can adversely affect the clarity and accuracy of images, thereby reducing the accuracy rates of the algorithms. The study investigates the impact of different noise levels and environmental distortions on the accuracy rates of the algorithms. Additionally, other variables that could influence algorithm performance, such as dataset sizes, training durations, and the complexity of network architectures, have also been analyzed. The results indicate that deep learning algorithms exhibit varying levels of sensitivity to environmental factors, which can significantly alter their accuracy rates. Specifically, as noise levels increase and dataset complexity rises, the performance of the algorithms tends to decline adversely. In this context, improvements in network architectures and enhancements in data preprocessing techniques have been proposed to increase resilience against environmental factors. This study provides a crucial foundation for making deep learning algorithms more robust against environmental influences and sheds light on future research directions in this area.
Benzer Tezler
- Elektrikli araçların kullanımına yönelik yük tahmini ve karar destek sistemi
Load forecasting and decision support system for electric vehicles use
HATİCE MENEKŞE KÖSEMEN
Yüksek Lisans
Türkçe
2024
Endüstri ve Endüstri MühendisliğiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. ORHAN TORKUL
- Su kalitesi öngörüsü için yeni bir derin tekrarlayan yapay sinir ağı
A new deep recurrent artificial neural network for water quality prediction
HAKAN IŞIK
- 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
- Otonom robotlarda, durumsal farkındalık temelli dinamik karar verme modeli ve yeni bir veri seti ile adaptif slam uygulaması
Adaptive slam application in autonomous robots with a situational awareness based dynamic decision making model and a new dataset
MÜMİNE YILDIZ
Doktora
Türkçe
2024
Mekatronik MühendisliğiNecmettin Erbakan ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET KARALI
DR. ÖĞR. ÜYESİ ÖZGÜR DÜNDAR
- Akıllı şehirlerde yakıt tüketimi ve emisyonu azaltmak için trafik akış kontrolü sağlamaya yönelik bir yöntemin geliştirilmesi
Developing a method to provide traffic flow control to reduce fuel consumption and emissions in smart cities
YILDIRAY YİĞİT
Doktora
Türkçe
2025
Bilim ve TeknolojiFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DOÇ. DR. MURAT KARABATAK
DOÇ. DR. SELÇUK TOPAL