Evrişimli sinir ağlarında kullanılan havuzlama katmanının analizi

Bu tez çalışmasında, derin öğrenme modellerinde önemli bir işlevi olan havuzlama katmanlarının sınıflandırma performansı ve veri kümesi bağımlılığı incelenmiştir. Çalışmada, yaygın olarak kullanılan ortalama, maksimum ve karma havuzlama yöntemlerine odaklanılmıştır. Yapılan deneyler, karma havuzlama yönteminin çoğu durumda en iyi performans sonuçlarını verdiğini göstermiştir. Bu bulgu, derin öğrenme uygulamalarında karma havuzlamanın alternatif bir yöntem olarak değerlendirilmesi gerektiğini ortaya koymaktadır. Çalışmanın bir diğer önemli bulgusu ise, belirli görüntü özelliklerine ait metrik değerleri ile karma havuzlamada kullanılan α parametresi arasındaki ilişkinin incelenmesidir. Sonuçlar, modelin bazı görüntü özelliklerine duyarlılığını ve bu özelliklerin model performansına olan etkisini göstermektedir. Özellikle keskinlik ve entropi gibi özelliklerin, modelin sınır belirleme kabiliyetini artırarak performansı olumlu yönde etkilediği tespit edilmiştir. Ancak, bazı görüntü özelliklerine ait korelasyon seviyelerinde farklı deneylerde tutarsız sonuçlar üretmiştir. Bu durum, kesin yargıya varmak için daha geniş ve çeşitli görüntü tipleri içeren veri kümeleriyle deneyler yapılması gerektiğini göstermiştir. Bu bulgular, derin öğrenme modellerinin optimizasyonu için değerli ipuçları sunmaktadır.

In this thesis study, the classification performance and dataset dependency of pooling layers, which play a crucial role in deep learning models, have been examined. The study focused on the widely used average, max, and mixed pooling methods. Experiments demonstrated that the mixed pooling method often produced the best performance results. This finding suggests that mixed pooling should be considered as an alternative method in deep learning applications. Another significant finding of the study is the investigation of the relationship between certain image feature metrics and the α parameter used in mixed pooling. The results indicate the model's sensitivity to specific image features and their impact on model performance. Particularly, features such as sharpness and entropy were found to enhance the model's boundary delineation capability, thereby positively affecting performance. However, inconsistent results in correlation levels for some image features across different experiments suggest that more extensive and diverse image datasets are needed for definitive conclusions. These findings provide valuable insights for optimizing deep learning models.