Views
2
Bu çalışma, önceden eğitilmiş CNN mimarilerinin gürültülü ortamlarda görüntüleri sınıflandırmadaki etkinliğini test etmeyi amaçlamaktadır. Bu amaçla, kullanılan veri kümelerindeki görüntülere kademeli olarak Gauss gürültüsü ekleyerek, bu modellerin performanslarının, görüntülerdeki gürültü oranından nasıl etkilenebileceğini göstermeyi hedefledik. Ardından, önceden eğitilmiş altı farklı CNN mimarisinin (MobileNet, ResNet, GoogleNet, EfficientNet, VGG19 ve Xception) performanslarını değerlendirmek için üç farklı vaka çalışması yapılmıştır. İlk vaka çalışmasında, bu mimarilerin yüksek kaliteli görüntü kümesi kullanılarak eğitilmesi, ardından aynı görüntülere farklı düzeylerde Gauss gürültüsünün enjekte edilmesi ve daha sonra gürültü içeren veri kümeleri kullanılarak bu mimarilerin test edilmesi önerilmiştir. İkinci vaka çalışmasında, CNN mimarilerindeki eğitim sürecinin ortamdaki gürültülerden nasıl etkilenebileceğini araştırmak için, oluşturulan gürültülü görüntü veri setleri kullanılarak modellerin eğitilmesi önerilmiştir. Üçüncü vaka çalışmasında ise, gürültülü veri kümelerindeki görüntülerin gürültüsünü gidermek için Non-local Means algoritmasının kullanması ve orijinal veri kümesi ile eğitilmiş modelleri, gürültüden arındırılmış veri kümeleri ile test edilmesi önerilmiştir. Bildiğimiz kadarıyla bu, önceden eğitilmiş CNN modelleri üzerinde gürültünün etkilerinin bu kadar fazla model ile deneysel olarak gösterildiği ilk çalışmadır. Elde edilen sonuçlar, bu tür modellerin ideal ortamlarda çok iyi çalışabilmelerine rağmen, gerçek hayattaki uygulamalarda çalışma ortamının koşulları nedeniyle model performanslarının düşebileceğini göstermiştir ki bu da gerçek hayattaki uygulamalarda bu modellerin performanslarını artırmak için bir ön işleme aşaması olarak kullanılması gereken bazı yardımcı modellere olan ihtiyacı göstermektedir.
This work aims at testing the efficiency of the pre-trained models in terms of classifying images in noisy environments. To this end, we proposed injecting Gaussian noise into the images in the used datasets gradually to see how the performance of that models can be affected by the proportion of the noise in the image. Afterward, three different case studies have been conducted for evaluating the performance of six different well-known pre-trained models namely MobileNet, ResNet, GoogleNet, EfficientNet, VGG19, and Xception. In the first case study, it has been proposed to train these models using a high-quality image dataset and test them using the same datasets after injecting their images with different levels of Gaussian noise. In the second case study, we proposed training the models using the created noisy image datasets in order to investigate how the training process can be affected by the noises in the environment. In the third case study, we proposed using the non-local means algorithm to denoise the images in the noisy datasets and testing the models trained using the original datasets using these de-noised image datasets. To the best of our knowledge, this is the first time that the effects of noise on well-known pre-trained CNN architectures have been comprehensively investigated with this number of considered models. The obtained results showed that while these types of models can work very well in ideal environments their performances can drop down due to the conditions of the working environment, which reflects the need for some auxiliary models that should be used as a pre-processing phase to improve the performance of these models.
Field : Mühendislik
Journal Type : Uluslararası
Article Detail 
Similar Articles
Download PDF
Journal Information
Listen Paper
Cite
Print This Page
Share
Mendeley
