Derin Öğrenme ile Öznitelik Çıkarmanın Çiçek Sınıflandırmada Kullanımı

Abstract

Derin öğrenme teknikleri, görüntü tanıma ve sınıflandırma problemleri içinyaygın olarak kullanılmaktadır. Derin öğrenme mimarileri, giderek daha fazla katman içerecek ve sınıflandırma problemleri için daha sağlam modeller haline gelecek şekildedeğişime uğramıştır. Bu çalışmada, derin öğrenme modellerinden 4 tanesi çiçekleri 20kategoriye sınıflandırmak için ince ayarlanmıştır. 20 farklı çiçek kategorisinden rasgele eğitilen derin ağların çıkardığı öznitelikler destek vektör makinaları kullanılaraksınıflandırılmıştır. Kullanılan veri seti özgün olarak kampüste bulunan bitkifamilyasından oluşturulmuştur. Derin öğrenme yöntemleri Matlab ortamında gerçekleştirilmiştir. Her sınıftan 1000 görüntü olmak üzere veri setinde toplam 20000görüntü vardır. Modelin eğitimi yanlılığı önlemek amacıyla rasgele seçilen görüntülerkullanılarak yapılmıştır. Geri kalan görüntüler test aşamasında kullanılmıştır. Eğitimoranı parametresine göre veri setinden elemanlar seçilmiştir. Eğitim oranı %10’unüzerine iken ShuffleNet, SqueezeNet ve ResNet-50 modellerin sınıflandırma doğrulukları%95’in üzerine çıkmaktadır. Google Net’in ise %25 eğitim oranından sonra sınıflandırma doğruluğu %95’in üzerine çıkmaktadır. Sınıflandırmada kullanılan karşılaştırmametriklerinden karışıklık matrisi metrikleri de dört model için eğitim oranın artmasına göre değerlendirilmiştir.