Görüntü sınıflandırması için evrişimsel sinir ağlarında parametrelerin sınıflandırma performansına etkisi
| dc.contributor.advisor | Adem, Kemal | |
| dc.contributor.author | Aksoy, İbrahim | |
| dc.date.accessioned | 2023-12-22T06:34:24Z | |
| dc.date.available | 2023-12-22T06:34:24Z | |
| dc.date.issued | 2023 | |
| dc.date.submitted | 2023-06-22 | |
| dc.department | Sosyal Bilimler Enstitüsü | |
| dc.description.abstract | Günümüzde, görüntü işleme ve örüntü tanıma alanında büyük ilerlemeler kaydedilmekte ve bu alandaki başarıların arkasında evrişimsel sinir ağları büyük bir rol oynamaktadır. Biyolojik sinir ağlarının işleyişinden ilham alarak tasarlanan evrişimsel sinir ağları, görüntü verileri üzerinde nesne tanıma, sınıflandırma ve öznitelik çıkarma gibi görevleri başarıyla gerçekleştirmektedir. Ancak evrişimsel sinir ağlarının tasarlanması ve uygulanmasında karşılaşılan bazı zorluklar mevcuttur. Kullanılan evrişimsel sinir ağı modeline, veri setine ve donanımlara göre hiperparametrelerin optimizasyonu konusu bu zorlukların başında gelmektedir. Bu çalışmada iki farklı veri seti kullanılarak evrişimsel sinir ağı modellerinde bazı hiperparametrelerin sınıflandırma performansı üzerindeki etkileri incelenmiştir. Çalışmada incelenen hiperparametreler; eğitim tur sayısı, nöron sayısı, paket boyutu, aktivasyon fonksiyonları, optimizasyon algoritmaları ve öğrenme oranıdır. Keras kütüphanesinde yer alan evrişimsel sinir ağı modellerinde veri setleri üzerinde yapılan testler sonucunda en iyi performansı gösteren NASNetMobile ve DenseNet201 modelleri ile uygulamalar yapılmıştır. Hiperparametrelerin farklı aralıklardaki değerleri ile planlanan 65 farklı model için eğitim uygulanmış ve sonuçlar elde edilmiştir. Yapılan çalışmalar neticesinde doğruluk oranlarında NASNetMobile modelinde başlangıç değerine göre % 6,5, DenseNet201 modelinde ise başlangıç değerine göre % 11,55 yükselme gözlemlenmiştir. | |
| dc.description.abstract | Nowadays, great progress has been made in the field of image processing and pattern recognition, and convolutional neural networks play a major role behind the success in this field. Convolutional neural networks designed with inspiration from effectiveness of biological neural networks successfully implement processors such as object recognition, thinking, and feature extraction on image data. However, there are some difficulties encountered in the design and implementation of convolutional neural networks. Optimization of hyperparameters according to the convolutional neural network model, data set and hardware used is one of these difficulties. In this study, the effects of some hyper parameters on classification performance in convolutional neural networks models were investigated using two different datasets. Hyperparameters examined in the study; the number of epochs, the number of neurons, batch size, activation functions, optimization algorithms and learning rate. In the convolutional neural network models thosetake place in the Keras library, applications were made with the NASNetMobile and DenseNet201 models, which showed the best performance as a result of the tests made in the dataset. 65 different training tasks planned with the values of the hyperparameters in different intervals were applied and the results were obtained. As a result of the studies, it was observed that the accuracy rates increased by 6.5% compared to the initial value in the NASNetMobile model and by 11.55% compared to the initial value in the DenseNet201 model. | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12451/11383 | |
| dc.language.iso | tr | |
| dc.publisher | Aksaray Üniversitesi Sosyal Bilimler Enstitüsü | |
| dc.relation.publicationcategory | Tez | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.subject | Görüntü Sınıflandırma | |
| dc.subject | Hiperparametreler | |
| dc.subject | Aktivasyon fonksiyonları | |
| dc.subject | Optimizasyon Algoritmaları | |
| dc.subject | Öğrenme Oranı | |
| dc.subject | ESA | |
| dc.subject | Image Classification | |
| dc.subject | Hyperparameters | |
| dc.subject | Activation Functions | |
| dc.subject | Optimization Algorithms | |
| dc.subject | Learning Rate | |
| dc.subject | CNN | |
| dc.title | Görüntü sınıflandırması için evrişimsel sinir ağlarında parametrelerin sınıflandırma performansına etkisi | |
| dc.title.alternative | Effect of parameters on classification performance in convolutional neural networks for image classification | |
| dc.type | Master Thesis |
