Hava araçlarına ait görüntülerin sınıflandırılması

Bu çalışmada, belirli bir gruba ait askeri uçakların sınıflandırılması, sınıflandırma performanslarının değerlendirilmesi ve geliştirilmesi amaçlanmıştır. Uçaklarda sınıflandırma, başka ülkelerin tehdidini algılama, ülke sınırlarının güvenliğini sağlama, ticari uçuşlar ve askeri hava trafiği arasında etkili bir koordinasyon sağlama açısından büyük bir önem taşımaktadır. Sınıflandırma yapmak için kullanılan algoritmalarda, bir yapay sinir ağı olan Convolutional Neural Network (CNN) ve makine öğrenmesi olan Support Vector Machine (SVM) yöntemleri kullanılmıştır. CNN, görüntü veya başka veri çeşitlerini filtreler ya da çekirdekler (Kernel) aracılığıyla işleyerek verinin özelliklerini otomatik olarak öğrenmek üzerine kurulu bir mimaridir. SVM ise sınıflandırma ya da regresyon için kullanılan bir makine öğrenme algoritmasıdır. Verileri uzayda maksimum aralıkla ayıran hiper düzlemi bularak sınıflandırma yapmaktadır. Ayrıca, çekirdek yöntemlerini kullanarak doğrusal olmayan problemler için çözümler de sunabilmektedir. Bu tür sınıflandırma yöntemlerin etkinliği, büyük ölçüde kullanılan veri setlerinin kapsamı ve çeşitliliğiyle doğrudan bağlantılıdır. Bu araştırmada, Shayan Khos tarafından oluşturulan ve sekiz farklı uçak tipini içeren, toplam 4990 adet uçak görselinden oluşan bir veri seti kullanılmıştır. Bu veri seti üzerinde CNN ve CNN-SVM modeli uygulanarak sınıflandırma gerçekleştirilmiştir. Bu modellerin performanslarını değerlendirebilmek amacıyla, içerisindeki bazı hiper parametreler değiştirilerek elde edilen sonuçlar karşılaştırılmıştır. İlk olarak, bu veri seti doğrudan CNN modeline uygulanmış ve CNN içerisindeki parametreler (öğrenme seçeneği, ilk öğrenme oranı değeri ve periyot sayıları) değiştirilerek bir karşılaştırma yapılmıştır. Daha sonrasında, CNN mimarisi yalnızca öznitelik çıkarımı için kullanılmış; bu öznitelikler, SVM algoritması ile sınıflandırılarak çıkan sonuçlar analiz edilmiştir. CNN ve CNN-SVM modellerine ayrı ayrı veri artırma işlemi uygulanarak doğruluk oranlarındaki değişimler gözlemlenmiştir. Elde edilen sonuçlar göz önüne alındığında doğrudan CNN'e verilen ve artırma işlemi uygulanan veri setinin, 80 epok (Epoch) değerinde başlangıç öğrenme oranı (Initial Learn Rate) 0,001 olarak ayarlanmış ve sgdm algoritması kullanılarak eğitildiği senaryoda %96,52 test doğruluk oranı ile en yüksek performansa ulaştığı tespit edilmiştir.