Yeni bir açıklanabilir yapay zeka modeli geliştirilmesi

Bu tez çalışması, Açıklanabilir Yapay Zeka (AYZ) alanında görsel yaklaşımlardan biri olan Sınıf Aktivasyon Haritalarına (SAH) dayalı dört yeni yöntemin geliştirilmesi ve uygulanması konusunu ele almaktadır. Bu yöntemler, Evrişimli Sinir Ağları (ESA) temel alınarak tasarlanmış ve sırasıyla CodCAM, HayCAM, HayCAM+, ve HayCAMJ olarak adlandırılmıştır. CodCAM, dört farklı görsel AYZ yöntemi (GradCAM, GradCAM++, LayerCAM, EigenCAM) kullanılarak SAH'ların oluşturulmasını sağlayan bir yöntemdir. CodCAM kullanılarak gerçekleştirilen birinci çalışmada, termal görüntülerle yeni doğan bebeklerin sınıflandırılma işlemi incelenmiştir. Bu çalışmanın sonuçları, ESA modelinin bebeklerin anatomik bölgelerine (örneğin kol, koltuk altı, baş, boyun, ayak ve vücut) odaklandığını göstermiştir. Bu sonuçlar, ESA modelinin yalnızca genel görüntüyü değil, aynı zamanda bebeklerin vücut yapılarını tanıdığını ve bu bilgiyi doğru sınıflandırmalar yapmak için kullandığını göstermektedir. HayCAM, SAH'ları oluştururken Temel Bileşenler Analizi (TBA) kullanarak ESA'nın son katmanındaki filtreleri azaltmakta ve görüntü üzerinde yoğunlaşmış SAH'lar elde edilmesini sağlamaktadır. Maske takan ve takmayan insanları ayırt eden bir sınıflandırma modeliyle HayCAM kullanıldığında oluşturulan SAH'ların, ESA modelinin görüntülerde ağız bölgesine yoğunlaştığını göstermiştir. Oluşturulan SAH'lar kullanılarak nesne tespiti performansı ölçülmüş ve IoU değerleri (Gerçek bölge ve tahmin edilen bölgenin kesişim/birleşim oranı) hesaplanmıştır. Bu değerler GradCAM için 0.1922, GradCAM++ için 0.2472, EigenCAM için 0.3386 ve önerilen HayCAM için 0.3487 olarak bulunmuştur. HayCAM+, HayCAM'in geliştirilmiş bir versiyonudur ve boyut azaltma sürecinde kullanılan temel filtreleri otomatik olarak hesaplayarak SAH'lar elde etmeyi amaçlar. HayCAM+ ile IoU değeri yaklaşık %2.5 artarak 0,3487'den 0,3740'a yükselmiştir. HayCAMJ ise sadece tek bir filtre kullanarak SAH'lar oluşturmayı amaçlar. Bu yöntem, basit ancak etkili bir yaklaşım sunarak tek bir filtre ile elde edilen SAH'ların nesne sınıflandırma sonuçlarını açıklar. Geliştirilen CodCAM, HayCAM, HayCAM+, ve HayCAMJ yöntemleri, Resnet18, Resnet34, Resnet50 ve Mobilenet ESA modelleri kullanılarak Pascal VOC veri setleri üzerinde karşılaştırılmıştır. Pascal VOC 2007 için en yüksek IoU sonuçları sırasıyla HayCAM için 0.2422 (Resnet34), HayCAM+ için 0.3303 (Resnet18), HayCAMJ için 0.3277 (Resnet18) ve CodCAM için 0.4079 (Resnet34) olarak elde edilmiştir. Pascal VOC 2012 için de benzer şekilde HayCAM için 0.2484 (Resnet34), HayCAM+ için 0.3101 (Resnet18), HayCAMJ için 0.3118 (Resnet34) ve CodCAM için 0.3674 (Resnet34) olarak bulunmuştur. Bu geliştirilen yöntemler, ESA tarafından verilen kararların görselleştirilerek anlaşılmasına katkı sağlamakta ve görselleştirilen çıktılar kullanılarak nesne tespiti uygulamasının performansının artırılmasını sağlamaktadır.