Derin öğrenme ile öznitelik çıkarmanın çiçek sınıflandırmada kullanımı
Using feature extraction with deep learning in flower classification
- Tez No: 969253
- Danışmanlar: DR. ÖĞR. ÜYESİ MEMDUH KÖSE
- 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: Kırşehir Ahi Evran Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İleri Teknolojiler Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Derin öğrenme teknikleri, görüntü tanıma ve sınıflandırma problemleri için yaygın olarak kullanılmaktadır. Derin öğrenme mimarileri, giderek daha fazla katman içerecek ve sınıflandırma problemleri için daha sağlam modeller haline gelecek şekilde değişime uğramıştır. Bu çalışmada, derin öğrenme modellerinden 4 tanesi çiçekleri 20 kategoriye sınıflandırmak için ince ayarlanmıştır. 20 farklı çiçek kategorisinden rasgele eğitilen derin ağların çıkardığı öznitelikler destek vektör makinaları kullanılarak sınıflandırılmıştır. Kullanılan veri seti özgün olarak kampüste bulunan bitki familyasından oluşturulmuştur. Derin öğrenme yöntemleri Matlab ortamında gerçekleştirilmiştir. Her sınıftan 1000 görüntü olmak üzere veri setinde toplam 20000 görüntü vardır. Modelin eğitimi yanlılığı önlemek amacıyla rasgele seçilen görüntüler kullanılarak yapılmıştır. Geri kalan görüntüler test aşamasında kullanılmıştır. Eğitim oranı parametresine göre veri setinden elemanlar seçilmiştir. Eğitim oranı %10'un üzerine iken ShuffleNet, SqueezeNet ve ResNet-50 modellerin sınıflandırma doğrulukları %95'in üzerine çıkmaktadır. GoogleNet'in ise %25 eğitim oranından sonra sınıflandırma doğruluğu %95'in üzerine çıkmaktadır. Sınıflandırmada kullanılan karşılaştırma metriklerinden karışıklık matrisi metrikleri de dört model için eğitim oranın artmasına göre değerlendirilmiştir.
Özet (Çeviri)
Deep learning techniques are widely used for image recognition and classification problems. Deep learning architectures have evolved to include more layers and become more robust models for classification problems. In this study, four deep learning models were fine-tuned to classify flowers into 20 categories. Features extracted by deep networks randomly trained from 20 different flower categories were classified using support vector machines. The dataset used was originally composed of plant families found on campus. Deep learning methods were implemented in Matlab. The dataset contained 20,000 images in total, 1,000 from each class. The model was trained using randomly selected images to prevent bias. The remaining images were used in the testing phase. Elements were selected from the dataset according to the training rate parameter. When the training rate exceeds 10%, the classification accuracies of ShuffleNet, SqueezeNet, and ResNet-50 models exceed 95%. However, GoogleNet's classification accuracy exceeds 95% after a 25% training rate. Confusion matrix metrics, one of the comparison metrics used in classification, were also evaluated according to the increase in training rate for four models.
Benzer Tezler
- Evolutionary feature optimization for plant leaf disease detection by deep neural networks
Bitki yaprak hastalık teşhisi için derin sinir ağları ile evrimsel özellik optimizasyonu
JALAL SADOON HAMEED AL BAYATI
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Prof. Dr. BURAK BERK ÜSTÜNDAĞ
- Land cover and land use classification of multi-modal high-resolution satellite images using multi-task deep learning approach
Çok görevli derin öğrenme tekniği ile çok kipli yüksek çözünürlüklü uydu görüntülerinin arazi örtüsü ve arazi kullanımı sınıflandırılması
BURAK EKİM
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. ELİF SERTEL
- Normalize edilmiş kalp hızı değişkenliği analizi ile paroksismal atriyal fibrilasyon tespiti
Detection of paroxismal atrial fibrilation with normalized heart rate variability analysis
MURAT SÜRÜCÜ
Doktora
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDüzce ÜniversitesiElektrik-Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. RESUL KARA
DOÇ. DR. YALÇIN İŞLER
- Derin öğrenme yöntemleri ile bitki sınıflandırma
Plant classification with deep learning methods
BURAK DUMAN
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. RECEP ERYİĞİT
- Makine derin öğrenme ile BT görüntüleri kullanarak pulmoner hipertansiyonun hemodinamik sınıflandırılması
Hemodynamic classification of pulmonary hypertension using CT images with machine deep learning
MEHMET ALİ GELEN
Tıpta Uzmanlık
Türkçe
2023
KardiyolojiFırat ÜniversitesiKardiyoloji Ana Bilim Dalı
DOÇ. DR. TARIK KIVRAK