AI Summary & Key Takeaways
AI InsightIn this study, the performance of convolutional neural networks and deep belief networks models such as overall performance, sensitivity, specificity, positive predictive value, and negative predictive value were calculated.
📌 3 Key Takeaways
Abstract
The graph classification model is an image processing approach that has come into prominence as a new research area. Particularly preferred graphs to provide visualization and easy readability of data, third party office software which develops rapidly due to increasing the flexibility and visuality of programming languages, can create graphics of different visual types. The aim of this study is to propose a deep learning model that classifies the type of graph is given as an input. It is fed into deep learning models as the features, instead of applying low and high-level feature extraction algorithms to the analyzed images. The effectiveness of the models in graphical classification was compared using feature learning, transfer of shared classification weights and advanced image processing capabilities of deep learning algorithms. In this study, the performance of convolutional neural networks and deep belief networks models such as overall performance, sensitivity, specificity, positive predictive value, and negative predictive value were calculated. The dataset in the analyzes consists of a total number of 1200 images including an equal number of line graphs, column graphs, pie graphs and distribution graphs. Each graph was resized to 224x224 pixels and was converted to gray level image. In the classification process of the analysis, 5-fold cross validation algorithm was used to evaluate each image independently into test and training processes. The experimental results showed that the proposed convolutional neural networks model classifies four different graphs with an overall accuracy rate of 92.92% with low-, medium- and high-level feature extraction capacity, while deep belief networks reached to an overall accuracy rate of 90.04%. Although the generated new presentations of the input images depending on the statistical and energy status of the visible and hidden units have achieved lower classification performance than the representations of input data from definitive filters using convolution, high graph classification performances have been achieved using the proposed models for models with various hidden layers. Convolutional neural networks model, in which the predominant properties of the layers formed by tensors using the dominant pixels are transferred to the next layer by pooling, provides flexibility and effective use for image processing approaches.
Özet
Grafik sınıflandırma modeli henüz yeni bir araştırma alanı olarak ön plana çıkan bir görüntü işleme yaklaşımıdır. Özellikle verileringörselleştirilmesi ve kolay okunabilirliğini sağlamak için tercih edilen grafikler, programlama dillerinin esnekliğini ve görselliğini hergeçen gün artırmasına bağlı olarak hızla gelişen üçüncü parti ofis yazılımları, farklı görsel türlerde grafikler oluşturabilmektedir. Buçalışmanın amacı, farklı giriş olarak verilen grafiğin hangi tür bir grafik olduğunu belirlemeyen bir derin öğrenme modeli oluşturmaktır.Analiz edilen görüntülerine düşük ve yüksek seviye öznitelik çıkarma algoritmları uygulamak yerine, doğruda derin öğrenmemodellerine giriş olarak verilmiştir. Derin öğrenme algoritmalarının öznitelik öğrenme, paylaşılmış sınıflandırma ağırlıklarının transferive kendi içerisindeki ileri seviyeli görüntü işleme kabiliyetlerini kullanılarak modellerin grafik sınıflandırmada ki etkinliklerikıyaslanmıştır. Çalışmada konvolüsyonel sinir ağları ve derin inanç ağları modellerinin genel başarım, hassasiyet, özgünlük, pozitiföngörü değeri ve negatif öngörü değeri gibi sınıflandırıcı performansları hesaplanmıştır. Analizlerde kullanılan veriler, çizgi grafiği,sütun grafiği, pasta grafiği ve dağılım grafiğini eşit sayıda içerecek şekilde toplam 1200 resimden meydana gelmektedir. Herbir resimdosyası 224x224 boyutta yeniden boyutlandırılarak, gri seviye resme dönüştürülmüştür. Analizlerin sınıflama süreçlerinde 5-katlıçapraz doğrulama yöntemi kullanılarak herbir verinin birrbirinden bağımsız olarak test ve eğitim süreçlerine dâhil edilmesi sağlanmıştır.Deneysel çalışmalardan elde edilen sonuçlar göstermiştir ki önerilen konvolüsyonel sinir ağları düşük, orta ve yüksek seviyeli öznitelikçıkarma kapasitesiyle %92,92 genel başarımla dört farklı grafiği sınıflandırırken, derin inanç ağları %90,04 genel başarıma kadarulaşabilmiştir. Görüntülerdeki verilerin istatistiksel ve enerji durumuna bağlı olarak yeniden oluşturulan yansımalar her ne kadar buverilerin belirli filtrelerden konvolüsyon işlemi sonrası elde edilen yansımalarından daha düşük sınıflandırma başarımı elde etmiş olsada denenen farklı katman sayısına sahip modeller için yüksek başarımlar elde edilmiştir. Tensörler haline getirilen katmanların en baskınözelliklerinin belirlenerek belirleyici piksel değerlerinin havuzlama ile bir sonraki katmana aktarıldığı konvolüsyonel sinir ağlarımodelleri, görüntü işleme yaklaşımları için esneklik ve etkin bir kullanım sağlamaktadır.