DERİN VE TOPLULUK ÖĞRENME YAKLAŞIMLARI İLE GÖRÜNTÜ SINIFLANDIRMA
Proje no. 1328 · Durum: Kapanmış · 2018
Özet
Makine Öğrenmesinin alt alanı olan Derin Öğrenmede daha çok veri / örnek gösterildiğinde geleneksel yöntemlere göre genelde daha yüksek başarılar elde edilebilmektedir. Topluluk Öğrenmesi yaklaşımı ise, bir problemin çözümünde iki veya daha fazla makine öğrenmesi modelinin birleştirilmesi yolu ile başarımı artırmayı hedeflemektedir. Projemizde, Görüntü Sınıflandırma alanında Derin Öğrenme ve Topluluk Öğrenmesi yaklaşımlarının ayrı ayrı veya birlikte kullanımına ilişkin 3 adet yeni yaklaşım önerilmiştir. İlk çalışmada, AlexNet derin öğrenme modeli kullanılarak çıkarılan öznitelikler, manuel olarak elde edilen özniteliklerle birleştirilmiş ve oylama tabanlı topluluk sınıflandırma yaklaşımı ile CIFAR-10 veriseti üzerindeki doğruluk (accuracy) değeri artırılabilmiştir. İkinci çalışmamızda, ön eğitimli transfer öğrenme modelleri ve ince ayar yapılmış diğer evrişimli sinir ağı modellerinden elde edilen öznitelikler birleştirilerek CIFAR-10 ve CIFAR-100 görüntü veri setlerindeki başarım değerleri artırılmıştır. Diğer bir katkı olarak bazı modellerin sonuna daha düşük boyutlu bir katman eklenmesinin de sonuca olumlu etkisi gözlemlenmiştir. Son çalışmamızda ise, InceptionV3 ve Xception transfer öğrenme modellerine yer veren oylama, veri artırma ve önişlem çeşitliliği tabanlı özgün bir tüberküloz tespit yöntemi önerilmiştir. Yöntemde 40 adet model kombinasyonunun üretilmesinin ardından, en iyi modeller seçilmekte ve topluluk öğrenmesi aşamasında oylama işleminde temel sınıflandırıcı olarak kullanılmaktadırlar. Montgomery County and Shenzhen TB CXR verisetleri üzerinde literatürdeki en başarılı sonuçlarla yarışır doğruluk ve eğri altında kalan alan (AUC) değerlerine ulaşılmıştır.