Geri Dön

Biyomedikal görüntülerin sınıflandırılmasında swish aktivasyon fonksiyonunun performans analizi

Performance analysi̇s of swish function on classification of biomedical images

PDF İndir

  1. Tez No: 942179
  2. Yazar: SAMA MOHAMED ELSAYED MOSILHY ABDALLA
  3. Danışmanlar: DOÇ. DR. NEYİR OZCAN SEMERCİ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Bursa Uludağ Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Aktivasyon fonksiyonları, yapay sinir ağları ve derin öğrenme modellerinde nöron karakteristiğini belirleyen temel bileşen olarak önemli bir rol oynamaktadırlar. Derin öğrenme modellerinin performansını artırmak için uygun bir aktivasyon fonksiyonu seçmek kritik bir öneme sahiptir. Bu fonksiyonlar, ağa verilen girdilere karşılık gelen çıktıları belirleyerek modelin öğrenme kapasitesini doğrudan etkilemektedirler. Ağın doğrusal olmayan ilişkileri öğrenebilmesi için modelin de doğrusal olmayan bir özellik göstermesi önemlidir. Böylece ağ karmaşık ve çok boyutlu ilişkileri öğrenebilir. Bu doğrusal olmama durumu, aktivasyon fonksiyonları aracılığıyla modele dahil edilir. Literatürde farklı uygulamalar için kullanılan doğrusal olmayan aktivasyon fonksiyonları mevcuttur: ReLU, Leakly ReLU, Swish, P-Swish, SaRa …vs. Swish aktivasyon fonksiyonu; düzgün (smooth) yapısı, alt sınıra sahip olması ve monoton olmama özelliği sayesinde sinir ağlarının daha karmaşık ilişkileri öğrenmesini kolaylaştırır ve öğrenme sürecinde daha stabil ve esnek bir performans sunmaktadır. ReLU fonksiyonu nöron girişine uygulanan negatif değerler için nöronun inaktif olmasına neden olurken Swish aktivasyon fonksiyonu nöronun çıktı üretebilmesine olanak tanır. Böylece bu değerler için gradyen ölmesi problemin ile daha az karşılaşılır. Bu durum bilgi kaybını azaltır ve modelin daha fazla ayrıntıyı öğrenmesine olanak tanır. Aynı amaçla üretilmiş olan Leakly ReLU fonksiyonu ise monoton bir yapıya sahiptir. Swish fonksiyonunun monoton olmayan yapısı ise modelin karmaşık ilişkileri daha iyi öğrenmesini sağlar. Gerçekleştirilen tez çalışmasında biyomedikal veriler kullanılarak swish fonksiyonunun farklı türleri için farklı derin öğrenme mimarileri kullanılarak fonksiyonun diğer aktivasyon fonksiyonları ile performans kıyaslaması yapılmıştır. Çalışmada kullanılan veri seti 3 farklı tür beyin tümörüne (meningioma, glioma ve pituitary) ait manyetik rezonans (MR) görüntülerini içermektedir. Bu görüntüler farklı derin öğrenme mimarileri ve farklı aktivasyon fonksiyonları kullanılarak sınıflandırılmıştır. Elde edilen sonuçlar yüksek doğruluk ve detayların korunmasını gerektiren bu tip problemlerde swish fonksiyonlarının literatürde kullanılan diğer aktivasyon fonksiyonlarına göre daha yüksek bir sınıflandırma performansına sahip olduğunu açıkça göstermektedir.

Özet (Çeviri)

Activation functions play a crucial role as fundamental components that determine neuron characteristics in artificial neural networks and deep learning models. Selecting an appropriate activation function is critically important for enhancing the performance of deep learning models. These functions directly affect the model's learning capacity by determining the outputs corresponding to the inputs provided to the network. For the network to learn nonlinear relationships, it is essential for the model to exhibit nonlinear characteristics. In this way, the network can learn complex and multidimensional relationships. This nonlinearity is incorporated into the model through activation functions. There are various nonlinear activation functions used in the literature for different applications, such as ReLU, Leaky ReLU, Swish, P-Swish, and SaRa. The Swish activation function, with its smooth structure, boundedness from below, and non-monotonic nature, facilitates neural networks in learning more complex relationships and offers a more stable and flexible performance during the learning process. While the ReLU function causes neurons to become inactive for negative input values, the Swish activation function allows neurons to produce outputs, thus reducing the likelihood of encountering the vanishing gradient problem for these values. This reduces information loss and enables the model to learn more detailed features. Although the Leaky ReLU function, designed for a similar purpose, has a monotonic structure, the non-monotonic nature of the Swish function allows the model to better capture complex relationships. In this thesis study, biomedical data were used to compare the performance of different types of Swish functions with other activation functions across various deep learning architectures. The dataset used in the study consists of magnetic resonance (MR) images of three different types of brain tumors: meningioma, glioma, and pituitary. These images were classified using different deep learning architectures and activation functions. The obtained results clearly demonstrate that Swish functions achieve higher classification performance compared to other activation functions commonly used in the literature, particularly in problems requiring high accuracy and the preservation of fine details.

Benzer Tezler

  1. Tez No

    545482

    An innovative and accurate deep learning based HER2 scoring method HER2-unet

    HER2 tümör hücrelerinin segmentasyon için derin öğrenme tabanlı yeni bir yaklaşım

    FARIBA DAMBAND KHAMENEH

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    PROF. DR. MUSTAFA ERSEL KAMAŞAK

  2. Tez No

    652928

    Identification of tea plantation areas using Google cloud based random forest and deep learning

    Google bulut servise dayalı rastgele orman ve derin öğrenme ile çay tarım alanlarının belirlenmesi

    BERKAY ÖZEN

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ESRA ERTEN

  3. Tez No

    798792

    Biyomedikal görüntülerin sınıflandırılması için yeni bir evrişimli sinir ağı mimarisi

    A novel convolutional neural network architecture for classification of biomedical images

    ÖZNUR ÖZALTIN

    Doktora

    Türkçe

    Türkçe

    2023

    İstatistikHacettepe Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. MURTAZA ÖZGÜR YENİAY

    DR. ORHAN ÇOŞKUN

  4. Tez No

    1019803

    Vision transformer tabanlı modeller kullanılarak gastrointestinal endoskopik görüntülerin çok sınıflı sınıflandırılması

    Multi-class classification of gastrointestinal endoscopic images using vision transformer-based models

    ALHARETH AHMED HUSSEIN ALI WASEL

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    BiyomühendislikAkdeniz Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    PROF. DR. HÜSEYİN ÖZGÜR KAZANCI

    DOÇ. DR. OKAN ORAL

  5. Tez No

    658603

    Farklı derin öğrenme modelleri kullanarak histopatalojik görüntülerden meme tümörlerinin sınıflandırılmasında yeni yaklaşımlar

    New approaches in classification of breast tumors from histopathological images using different deep learning models

    SEMA NIZAM ABDULGHANI

    Doktora

    Türkçe

    Türkçe

    2021

    Elektrik ve Elektronik MühendisliğiSelçuk Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SEYFETTİN SİNAN GÜLTEKİN

Geri Dön