Derin öğrenme yöntemleriyle birleştirilmiş hücresel otomatlarla öznitelik oluşturma

Yapay sinir ağları ve derin öğrenme modelleri, verilen girdi için bir tahmin yapabilen ve bunun için girdiyi temsil eden gömme ve öznitelikler öğrenen yöntemlerdir. Görüntü alanında, en yaygın öznitelik çıkarma yaklaşımı, Evrişimsel Sinir Ağları (ESA) tarafından kullanılan evrişimsel filtrelerdir. Ancak ESA yöntemi bu filtreleri öğrenmek için, etiketli veriye ihtiyaç duyan, bütün veri kümesi üzerinden defalarca geçen ve bu yüzden de hesaplama açısından oldukça maliyetli olan bir eğitim işlemi gerçekleştirir. Bu tezde evrişimsel filtreleri oluşturmak için, ESA'ların aksine etiketli veriye ya da veri kümesine defalarca erişmeye gerek duymayan Hücresel Otomata tabanlı gözetimsiz bir yaklaşım önerilmektedir. Önerilen yaklaşım sayesinde, ESA'larla benzer tahmin başarısı gösteren evrişimsel filtreler çok daha az işlem yükü ile oluşturabilmektedir. Önerilen yöntemin başarısı, görüntü sınıflandırma problemindeki farklı veri kümelerine uygulanarak test edilmiştir. Elde edilen sonuçlar, önerilen yöntemin tahmin başarısı ve işlem yükü açısından ESA'larla rekabetçi filtreler oluşturabildiğini göstermektedir. Ayrıca bu filtreler, iki farklı şekilde ESA ile entegre edilerek ESA'nın tahmin başarısı geliştirilmiştir.