Çekişmeli üretici ağ ve görüntü dönüştürücü kullanarak görüntü artırımı ve sınıflandırma içı̇n optı̇mı̇ze edı̇lmı̇ş derı̇n öğrenme yaklaşımı

Görüntü sınıflandırma görevlerinde, büyük, çeşitli ve dengeli veri kümelerinin eksikliği; derin öğrenme modellerinin etkili ve genelleştirilebilir bir şekilde uygulanmasını önemli ölçüde kısıtlamaktadır. Bu sınırlama, yeterli miktarda etiketli görüntü verisi toplamanın zor olduğu alan-spesifik problemlerde özellikle belirgin hale gelmektedir. Bu çalışmada, Derin Evrişimli Üretken Çelişkili Ağ (Deep Convolutional Generative Adversarial Network, DCGAN) ile sentetik veri üretimi ve Görüntü Dönüştürücü (Vision Transformer, ViT) modelleri kullanılarak geliştirilen bütünleşik bir sınıflandırma yaklaşımı önerilmekte; oluşturulan model, metasezgisel hiperparametre optimizasyonu ile daha da iyileştiren bir yaklaşım önerilmektedir. İlk olarak, DCGAN modeli, sınırlı FSO türbülans veri kümesini çoğaltarak, veri kıtlığı ve dengesizliğiyle ilgili sorunları azaltmak amacıyla, yüksek kaliteli ve çeşitli sentetik görüntüler üretmek üzere optimize edilmiştir. Oluşturulan görüntülerin kalitesi, Başlangıç Puanı (Inception Score, IS) ve Fréchet Başlangıç Mesafesi (Fréchet Inception Distance, FID) ölçümleri kullanılarak değerlendirilmiştir. LeakyReLU aktivasyon fonksiyonu ve Adagrad optimizer kullanılarak oluşturulan model, 1,2342 IS ve 67,7493'lük FID değerleriyle oldukça rekabetçi sonuçlar üretmiştir. Ardından, sınıflandırma işlemi hem transformatör omurgasını hem de CNN sınıflandırma başlığını optimize ederek performansı daha da iyileştirilen bir ViT mimarisi kullanılarak gerçekleştirilmiştir. ViT-HHO, %93,33 ile en yüksek doğruluğa ulaşırken ViT-ABC ise %93,06 doğruluğa ulaşmıştır. Deneysel sonuçlar, önerilen yöntemin, EfficientNetB7, ResNet-50, DenseNet121 ve InceptionV3 dahil olmak üzere ViT yapılandırmalarına ve transfer öğrenme modellerine kıyasla sınıflandırma performansını önemli ölçüde artırdığını göstermektedir. GAN ile artırılmış veri kümeleri üzerinde eğitilen optimize edilmiş ViT modelleri, veri artırma ve optimizasyon stratejisinin etkinliğini doğrulayarak yüksek doğruluk, kesinlik, duyarlılık ve f-skor ölçümleri elde etmiştir. Bu çalışma, uzmanlaşmış bilgisayarlı görme görevlerinde sınırlı veri ve model performansının zorluklarını ele almak için GAN tabanlı veri üretimi ve ViT tabanlı sınıflandırmayı metasezgisel optimizasyonla birleştirmenin potansiyelini vurgulamaktadır.