Çeşitli görüntülerin sınıflandırılması için yeni bir Evrişimsel Sinir Ağı önerisi

Authors : Yeşim Tiraki, Hasan Temurtaş, Soydan Serttaş, Çiğdem Bakir

Pages : 262-278

Doi:10.28948/ngumuh.1355726

View : 126 | Download : 90

Publication Date : 2024-01-15

Article Type : Research Paper

Abstract :Günümüzde derin öğrenme metotları robotik, ses işleme, tıp ve görüntü gibi birçok alanda yaygın kullanılmaktadır. Bu çalışmada literatürde yapılan görüntü sınıflandırma ve analizine yönelik çalışmalar detaylı bir şekilde incelenmiştir. Ayrıca yapılan çalışmada CNN kullanılarak derin öğrenme metotlarının MNIST, Fashion MNIST, CIFAR-10 ve CIFAR-100 ismindeki 4 farklı veri seti üzerinde performans analizleri yapılmıştır. Oluşturulan derin öğrenme modellerinin yapıları, eğitim için kullanılan parametre değerleri, kullanılan katmanlar, doğrulama verileri için elde edilen karmaşıklık matrisleri, doğruluk ve kayıp grafikleri ayrıntılı olarak gösterilmiştir. Çalışmamız 3 adet konvolüsyon katmanı, 3 adet batch normalizasyon katmanı, 2 adet maxpooling katmanı, 1 flatten, 2 droupout, 2 dense katmanından oluşan farklı bir ağ yapısı ile gerçekleştirilmiştir. Ayrıca önerdiğimiz modelle görüntü sınıflandırılmasının farklı veriler üzerindeki performansı artırılmıştır. Test sonunda çalışmamız çeşitli değerlendirme metriklerine göre doğruluk sonuçları karşılaştırılmıştır. Kullanılan tüm veri setleri için en iyi ve en kötü bulunan görüntüler tespit edilmiştir. Önerilen CNN modeli ile MNIST ve Fashion MNIST veri setleri için yüksek doğruluk oranları gözlemlenmiş olup bu değerler sırasıyla %99.22 ve %99.21’dir.
Keywords : Derin öğrenme, Evrişimli Sinir Ağı, CIFAR 10, CIFAR 100, MNIST, Fashion MNIST