Evrişimli sinir ağlarında kullanılan havuzlama katmanının analizi

Basit Öğe Kaydı
dc.contributor.advisorGürkahraman, Kali
dc.contributor.authorArslan, Pınar
dc.date.accessioned2025-05-04T16:37:39Z
dc.date.available2025-05-04T16:37:39Z
dc.date.issued2024
dc.departmentEnstitüler, Fen Bilimleri Enstitüsü, Yapay Zeka ve Veri Bilimi Ana Bilim Dalı
dc.description.abstractBu 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.
dc.description.abstractIn 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.
dc.identifier.endpage60
dc.identifier.startpage1
dc.identifier.urihttps://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=UjlM15wKZGQW6TLC0pvCt008hQL8rqr7LdkKNqhvKnEVHH2e-lY1mo30ND2OaLpB
dc.identifier.urihttps://hdl.handle.net/20.500.12418/34629
dc.identifier.yoktezid891893
dc.institutionauthorArslan, Pınar
dc.language.isotr
dc.publisherSivas Cumhuriyet Üniversitesi
dc.relation.publicationcategoryTez
dc.rightsinfo:eu-repo/semantics/openAccess
dc.snmzKA_TEZ_20250504
dc.subjectBilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol
dc.subjectComputer Engineering and Computer Science and Control
dc.titleEvrişimli sinir ağlarında kullanılan havuzlama katmanının analizi
dc.title.alternativeAnalysis of pooling layer used in convolutional neural networks
dc.typeMaster Thesis

Dosyalar

Koleksiyon

Fen Bilimleri Enstitüsü Tez Koleksiyonu