Özet:

ÖZET: Bu çalışmada, görüntü işleme, sinyal işleme, doğal dil işleme ve konuşma tanıma gibi makine öğrenmesi konularındaki problemlerin çözümünde son yıllarda büyük doğruluk oranı ve hız ile kendinden çokça söz ettiren derin öğrenme kullanılarak görüntü sınıflandırma işlemi yapılmıştır. CIFAR-100 veri kümesinden seçilen 8 farklı görüntü seçilmiştir. Bu görüntüler; otobüs, traktör, tren, dinozor, fil, kelebek, sandalye, televizyondur. Her sınıf için toplamda eğitim ve test işlemleri için sırasıyla 800 ve 40 adet görüntü kullanıldı. Çalışmada, derin öğrenmenin özelleşmiş bir yapısı olan evrişimsel sinir ağları(CNN) kullanıldı. CNN, katmanlı yapısıyla gizli öznitelikleri çıkararak işlem yapmaktadır. Gizli katman sayısının artışıbir noktaya kadar olumlu etki yaparken sonrasında parametre artışından dolayı bulma hızını düşürdüğü için performansa olumsuz yönde etki etmektedir. Biz çalışmamızda 7 katmanlı AlexNet benzeri bir yapı kullandık. CNN’yi girdi olarak kabul eden birçok açık kaynak yazılım bulunmaktadır. Bunlardan birisi olan caffe, c++, python ve matlab gibi dillerle uyumlu olması ve çoğu ortamda uygulanabilmesinden dolayı tercih edilmiştir. Önerilen yöntem, sınıflandırma konusunda evrişimsel sinir ağlarının başarısını göstermektedir. Çalışmada ayrıca, derin öğrenme teknikleri kullanılarak yapılmış var olan çalışmalar gösterilmiştir. Bu hızla giderse derin öğrenme akademik ve bilim dünyasında, problemleri çözmedeki başarısıyla adından söz ettirmeye devam edecek ve beklentileri karşılayacaktır.

Anahtar Kelimeler: