Derin evrişimsel sinir ağlarında özellik seçim yöntemlerinin etkisi

Son yıllarda veri miktarında büyük artış olması ve bu verilerin gittikçe daha yüksek boyutlu hale gelmesi ile birlikte, veriler için ayrım gücü yüksek özelliklerin çıkarımı daha da önemli hale gelmiştir. Özellikle görüntü sınıflandırmada, bu ayrım gücü yüksek özellikleri öğrenmesi nedeniyle Derin Evrişimsel Sinir Ağları sıklıkla kullanılmaktadır. Ancak Derin Evrişimsel Sinir Ağlarının öğrendiği özelliklerin boyutu çok yüksektir ve sınıflandırma görevi için ilgisiz veya gereksiz özellikleri de içerebilir. Bu ilgisiz ve gereksiz özelliklerin kaldırılması sınıflandırma performansının artmasına neden olabilir. Literatürde Evrişimsel Sinir Ağları hakkında çok fazla yayın olmasına rağmen, onlar tarafından çıkarılan özelliklerin seçilmesi hakkında çok fazla yayın bulunmamaktadır. Bu tezde, AlexNet, VGG16 ve VGG19 gibi iyi bilinen derin sinir ağı mimarilerinin tam bağlı iki katmanından elde edilen özelliklere çeşitli özellik seçimi yöntemleri uygulanmış ve seçilen bu özelliklerin sınıflandırma performansları karşılaştırılmıştır.