Dengesiz görüntü veri kümelerinde nesne tanıma için görsel transformatör tabanlı öznitelik çıkarma ve makine öğrenmesi sınıflandırıcılarını dayalı hibrit bir yaklaşım

Bu çalışma, Görsel Transformatör (Vision Transformer, ViT) modelinden elde edilen özniteliklerin klasik makine öğrenmesi sınıflandırıcıları olan LightGBM, AdaBoost, ExtraTrees ve Lojistik Regresyon ile birleştirilerek nesne tanıma performansının artırılmasını amaçlamaktadır. Araştırmada, Caltech-101 veri seti üzerinde gerçekleştirilen deneyler sonucunda farklı öznitelik çıkarıcı–sınıflandırıcı kombinasyonları karşılaştırılmıştır. Özellikle ViT ve Lojistik Regresyon kombinasyonu, önerilen yöntem olarak öne çıkmış ve %95,5 doğruluk ile %89,7 duyarlılık değerlerine ulaşmıştır. Bu sonuçlar, önerilen yaklaşımın mevcut son teknoloji yöntemlere kıyasla önemli ölçüde daha yüksek performans sergilediğini ortaya koymaktadır.Elde edilen bulgular, ViT modelinden çıkarılan özniteliklerin klasik sınıflandırıcılarla sentezlenmesinin nesne tanıma görevlerinde kayda değer ilerlemelere yol açabileceğini göstermektedir. Önerilen hibrit yöntem, derin öğrenme tabanlı otomatik öznitelik çıkarımının yüksek temsil gücünü; geleneksel makine öğrenimi sınıflayıcılarının anlaşılabilirliği ve düşük hesaplama maliyeti gibi avantajlarıyla birleştirerek doğruluk, işlem performansı ve genel sistem verimliliği açısından önemli iyileştirmeler sağlama potansiyeline sahiptir. Ayrıca, gerçek zamanlı analizler ve sınırlı donanıma sahip akıllı sistem uygulamaları için etkin bir çözüm alternatifi olarak öne çıkmaktadır.