SavedAdd your journal

Journals / Düzce Üniversitesi Bilim ve Teknoloji Dergisi / 2023 / Cilt: 11 Sayı: 3

Görüntü Kazıma Yoluyla Oluşturulan Örnek Veri Kümesinin Evrişimsel Sinir Ağı Tabanlı Görüntü Sınıflama Üzerine Etkisinin İncelenmesi

Tolga HAYIT
Pages
1388–1398
Publication Date
2023-07-31
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Doğruluk ve diğer performans ölçütleri görsel kazıma yoluyla elde edilen veri setinin görüntü sınıflandırma görevleri için kullanılabileceğini desteklemektedir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Derin öğrenme tabanlı görüntü sınıflandırma çalışmalarının en önemli aşamalarından biri veri elde etme aşamasıdır.
📊
Key Findings & Data:Çalışmada farklı CNN modelleri kullanılarak, oluşturulan örnek veri seti eğitilmiştir.
💡
Conclusion & Impact:Doğruluk ve diğer performans ölçütleri görsel kazıma yoluyla elde edilen veri setinin görüntü sınıflandırma görevleri için kullanılabileceğini desteklemektedir.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Görsel kazıma · Web kazıma · Evrişimsel Sinir Ağı

Özet

Derin öğrenme tabanlı görüntü sınıflandırma çalışmalarının en önemli aşamalarından biri veri elde etme aşamasıdır. Modeli eğitecek veri setinin göreve özgü ve uygun kalitede olması gerekmektedir. Bu nedenle veri setinin oluşturulma süreci araştırmacılar için zahmetli ve yorucu bir süreç olabilmektedir. Web kazıma teknikleri çalışmalarda kullanılabilecek uygun veri setlerinin oluşturulmasında araştırmacılara çözümler sunmaktadır. Özellikle derin öğrenme gibi çok sayıda veri ihtiyacı bulunan görevlerde bu tekniklerin kullanılması süreci ciddi anlamda hızlandırabilmektedir. Bu bağlamda bu çalışma, örnek bir görüntü sınıflandırma görevi için görsel kazıma teknolojisi ile oluşturulan veri setinin sınıflandırmaya başarısını araştırmaktadır. Çalışmada farklı CNN modelleri kullanılarak, oluşturulan örnek veri seti eğitilmiştir. Doğruluk ve diğer performans ölçütleri görsel kazıma yoluyla elde edilen veri setinin görüntü sınıflandırma görevleri için kullanılabileceğini desteklemektedir.

🔖

Cite This Article

HAYIT, T. (2023). Görüntü Kazıma Yoluyla Oluşturulan Örnek Veri Kümesinin Evrişimsel Sinir Ağı Tabanlı Görüntü Sınıflama Üzerine Etkisinin İncelenmesi. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, Cilt: 11 Sayı: 3, 1388–1398. https://ajindex.com/articles/955180

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (13)

  1. R. Diouf, E. N. Sarr, O. Sall, B. Birregah, M. Bousso, and S. N. Mbaye, “Web scraping: state-of-the-art and areas of application,” IEEE International Conference on Big Data (Big Data), 2019, pp. 6040-6042
  2. R. B. Penman, T. Baldwin and D. Martinez, “Web Scraping Made Simple with SiteScraper,” Citeseer, pp. 1-10
  3. Wikipedia. Web scraping. (May. 18, 2022). Accessed: May. 18, 2022. [Online]. Available:
  4. W. Roush. (2012, Jul 25). Diffbot Is Using Computer Vision to Reinvent the Semantic Web. [Online]. Available:
  5. Pinsent Masons (Out-Law News). Google thumbnails are fair use, says Court of Appeals. (May. 18, 2007). Accessed: May. 18, 2022. [Online]. Available:
  6. The Electronic Frontier Foundation (EFF). Perfect 10 v. Google. (May. 16, 2007). Accessed: May. 18, 2022. [Online]. Available:
  7. J. Schultz. (2007, May 16). P10 v. Google: Public Interest Prevails in Digital Copyright Showdown. [Online]. Available:
  8. Pinsent Masons (Out-Law News). Google image search results do not infringe copyright, says German court. (Apr. 30, 2010). Accessed: May. 18, 2022. [Online]. Available:
  9. E. N. Sarr, S. A. L. L. Ousmane and A. Diallo, “FactExtract: automatic collection and aggregation of articles and journalistic factual claims from online newspaper”. Fifth International Conference on Social Networks Analysis, Management and Security (SNAMS), 2018, pp. 336-341. IEEE
  10. S. Ashouri et al., “Indicators on firm level innovation activities from web scraped data,” Data in Brief, 108246, 2022
  11. A. Hajikhani et al., “Connecting firm's web scraped textual content to body of science: Utilizing microsoft academic graph hierarchical topic modeling,” MethodsX, vol. 9, no. 101650, 2022
  12. U. Baskaran and K. Ramanujam, “Automated scraping of structured data records from health discussion forums using semantic analysis,” Informatics in Medicine Unlocked, vol. 10, pp. 149-158, 2018
  13. R. A. Melchor et al., “CT-152: Application of Web-Scraping Techniques