Algısal özet fonksiyonları tabanlı derin öğrenme yöntemleri kullanılarak imgelerin sınıflandırılması

Endüstri ve akademik çevredeki veri bilimcileri; makine öğrenmesini, imge sınıflandırmasını, video analizini, konuşma tanıma ve doğal dil işleme süreçlerini pek çok alanda kullanmaktadırlar. İmge sınıflandırma aşamasında, özniteliklerin manuel olarak çıkartılması uzmanlık gerektiren bir alandır. Bu nedenle, öznitelik çıkarma aşaması imge sınıflandırılması için örüntü tanımada en önemli adım olarak kabul edilmektedir. Derin öğrenme algoritmaları, imgelerin manuel öznitelik çıkarma özelliğini ortadan kaldırmak için aktif bir araştırma alanı haline gelmiştir. Ancak imgelerde piksel seviyesinde işlem yapılması nedeniyle çalışma zamanını arttırmaktadır. Algısal özet fonksiyonları, imgelerin belirgin özniteliklerini tespit ederek özet değeri oluşturmaktadır. Dolayısıyla algısal özet fonksiyonu ile elde edilen öznitelik verilerine imgenin parmak izi de denilebilir. Bu tez çalışmasında imge yapısını bozmayan algısal özet fonksiyonu kullanılarak direkt ham imgelerden belirgin öznitelikler elde edilmiştir. Seçilen algısal özet fonksiyonunun performansını değerlendirmek için Bit Hata Oranı (BHO), Ortalama Karesel Hata (OKH), Tepe Sinyal Görüntü Oranı (TSGO) gibi parametreler ile karşılaştırılarak başarımları test edilmiştir. Veri tabanı olarak Fırat Üniversitesi hastanesinden alınan karaciğer tümör verileri ve halka açık veri tabanı olan Caltech-101 verileri kullanılmıştır. Derin öğrenme mimarilerinden Evrişimsel Sinir Ağ (ESA) algoritması, Ayrık Dalgacık Dönüşümü (ADD) – Tekil Değer Ayrışımı (TDA) tabanlı algısal özet fonksiyonu ile birlikte kullanılmıştır. Bu doktora tez çalışmasının amacı, algısal özet fonksiyonu tabanlı ESA kullanarak yüksek boyutlu imgelerin sabit diskteki kapladığı boyutu azaltan, sınıflandırma sürelerini kısaltıp sınıflandırma performansını kabul edilebilir bir eşiğin üzerinde tutmaktadır. ADDTDA tabanlı Algısal Özet Fonksiyonu (AÖT) ile ESA birlikte ilk defa kullanılarak özniteliklerin çıkarılması amaçlanmıştır. Karaciğer ve Caltech-101 veri tabanında bulunan çeşitli imgelere uygulanan AÖT-ESA yöntemi ile çıkartılan öznitelikler önerilen yöntemin başarımını test etmek için Yapay Sinir Ağları (YSA), Destek Vektör Makineleri (DVM), Ken Yakın Komşu (KNN) gibi sınıflandırıcılara verilmiştir. AÖT-ESA yöntemi, bir taraftan sınıflandırma performansının gelişimine katkı sunarken diğer taraftan da uzun süren çalışma zamanı probleminin çözümüne katkıda bulunmuştur.