Görüntü sınıflandırması için evrişimsel sinir ağlarında parametrelerin sınıflandırma performansına etkisi

Günümüzde, görüntü işleme ve örüntü tanıma alanında büyük ilerlemeler kaydedilmekte ve bu alandaki başarıların arkasında evrişimsel sinir ağları büyük bir rol oynamaktadır. Biyolojik sinir ağlarının işleyişinden ilham alarak tasarlanan evrişimsel sinir ağları, görüntü verileri üzerinde nesne tanıma, sınıflandırma ve öznitelik çıkarma gibi görevleri başarıyla gerçekleştirmektedir. Ancak evrişimsel sinir ağlarının tasarlanması ve uygulanmasında karşılaşılan bazı zorluklar mevcuttur. Kullanılan evrişimsel sinir ağı modeline, veri setine ve donanımlara göre hiperparametrelerin optimizasyonu konusu bu zorlukların başında gelmektedir. Bu çalışmada iki farklı veri seti kullanılarak evrişimsel sinir ağı modellerinde bazı hiperparametrelerin sınıflandırma performansı üzerindeki etkileri incelenmiştir. Çalışmada incelenen hiperparametreler; eğitim tur sayısı, nöron sayısı, paket boyutu, aktivasyon fonksiyonları, optimizasyon algoritmaları ve öğrenme oranıdır. Keras kütüphanesinde yer alan evrişimsel sinir ağı modellerinde veri setleri üzerinde yapılan testler sonucunda en iyi performansı gösteren NASNetMobile ve DenseNet201 modelleri ile uygulamalar yapılmıştır. Hiperparametrelerin farklı aralıklardaki değerleri ile planlanan 65 farklı model için eğitim uygulanmış ve sonuçlar elde edilmiştir. Yapılan çalışmalar neticesinde doğruluk oranlarında NASNetMobile modelinde başlangıç değerine göre % 6,5, DenseNet201 modelinde ise başlangıç değerine göre % 11,55 yükselme gözlemlenmiştir.