Dergiler / Konya Journal of Engineering Sciences / 2021 / Cilt: 9 Sayı: 4

GÖRÜNTÜ SINIFLANDIRMADA DERİN ÖĞRENME YÖNTEMLERİNİN KARŞILAŞTIRILMASI

Comparison of Deep Learning Models in Image Classification

Sayfa
872–888
Yayın Tarihi
2021-12-04
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Oluşturulan derin öğrenme modellerinin yapıları, eğitim için kullanılan parametre değerleri, doğrulama verileri için elde edilen karmaşıklık matrisleri, doğruluk ve kayıp grafikleri ayrıntılı olarak verilmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada ESA (Evrişimsel Sinir Ağları), ResNet ve AİA (Ağ İçinde Ağ) yaklaşımları kullanılarak oluşturulan ve E-Model, R-Model, A-Model şeklinde adlandırılan derin öğrenme modellerinin farklı veri kümeleri üzerinde performansları karşılaştırılmıştır.
📊
Temel Bulgular & Veri:CIFAR-10 veri kümesi için derin öğrenme modelleri sadece MİB (Merkezi İşlem Birimi) içeren bir makinede ve MİB ile GİB (Grafik İşlem Birimi) içeren bir makinede ayrı ayrı çalıştırılmıştır.
💡
Sonuç & Katkı:Oluşturulan derin öğrenme modellerinin yapıları, eğitim için kullanılan parametre değerleri, doğrulama verileri için elde edilen karmaşıklık matrisleri, doğruluk ve kayıp grafikleri ayrıntılı olarak verilmiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Derin öğrenme · Görüntü Sınıflandırma · ESA

Özet

Bu çalışmada ESA (Evrişimsel Sinir Ağları), ResNet ve AİA (Ağ İçinde Ağ) yaklaşımları kullanılarak oluşturulan ve E-Model, R-Model, A-Model şeklinde adlandırılan derin öğrenme modellerinin farklı veri kümeleri üzerinde performansları karşılaştırılmıştır. CIFAR-10 veri kümesi için derin öğrenme modelleri sadece MİB (Merkezi İşlem Birimi) içeren bir makinede ve MİB ile GİB (Grafik İşlem Birimi) içeren bir makinede ayrı ayrı çalıştırılmıştır. Sadece MİB içeren makinede R-Model, A-Model ve E-Model için sırasıyla yaklaşık 415 saatlik, 129 saatlik ve 3.5 saatlik eğitim aşamaları sonucunda doğrulama veri seti üzerinde sırasıyla %82.76, %87.64 ve %83.47 doğruluk oranları elde edilmiştir. MİB ve GİB içeren makinede ise R-Model, A-Model ve E-Model için sırasıyla yaklaşık 4.45 saatlik, 2.20 saatlik ve 1.82 saatlik eğitim aşamaları sonucunda doğrulama veri seti üzerinde sırasıyla %82.61, %87.95 ve %82.43 doğruluk oranları elde edilmiştir. Diğer veri kümeleri için ise modeller MİB ve GİB içeren makinede çalıştırılarak deneysel sonuçlar elde edilmiştir. Oluşturulan derin öğrenme modellerinin yapıları, eğitim için kullanılan parametre değerleri, doğrulama verileri için elde edilen karmaşıklık matrisleri, doğruluk ve kayıp grafikleri ayrıntılı olarak verilmiştir.

Abstract

In this study, various experiments have been performed via deep learning models based on CNN (Convolutional Neural Networks), ResNet (Residential Energy Services Network) and NIN (Network In Network) approaches and their performances on various datasets have been investigated. The deep learning models were named as E-Model, R-Model and A-Model, respectively. The deep learning models were trained with CIFAR-10 dataset on a machine having only CPU (Central Processing Unit) and a machine having both CPU and GPU (Graphical Processing Unit). On the machine having only CPU, the traning time of the R-Model, A-Model and E-Model were approximately 415 hours, 129 hours and 3.5 hours, respectively. The percentage correct values on the validation data set were %82.76, %87.64 ve %83.47, respectively. On the machine having both CPU and GPU, the traning time of the R-Model, A-Model and the E-Model were approximately 4.45 hours, 2.20 hours and 1.82 hours, respectively. The percentage correct values on the validation data set were %82.61, %87.95 ve %82.43, respectively. The experimental results for the other data sets were obtained by training the models on the machine having both CPU and GPU. The structures of the constructed deep learning models, the parameters used for the training, the obtained confusion matrices for the validation data, the accuracy and loss graphics are given in detail.

🔖

Bu Makaleye Atıf Yap

DAĞLI, İ., ÖZTÜRK, A. (2021). GÖRÜNTÜ SINIFLANDIRMADA DERİN ÖĞRENME YÖNTEMLERİNİN KARŞILAŞTIRILMASI. Konya Journal of Engineering Sciences, Cilt: 9 Sayı: 4, 872–888. https://ajindex.com/articles/909047

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (11)

  1. Chu, X., Zhang, B., & Li, X., 2020, Noisy differentiable architecture search, arXiv:2005.03566. Chu, X., Zhang, B., & Li, X., 2020, Noisy differentiable architecture search, arXiv:2005.03566. Ciregan, D., Meier, U., & Schmidhuber, J., 2012, Multi-column Deep Neural Networks for Image Classification, 2012 IEEE Conference on Computer Vision and Pattern Recognition, Providence, RI, USA, 2012, pp. 3642-3649.
  2. Ciregan, D., Meier, U., & Schmidhuber, J., 2012, Multi-column Deep Neural Networks for Image Classification, 2012 IEEE Conference on Computer Vision and Pattern Recognition, Providence, RI, USA, 2012, pp. 3642-3649.
  3. Dabhi, R., 2020, (2020, 03.06.2021). Casting product image data for quality inspection. Available: https://www.kaggle.com/ravirajsinh45/real-life-industrial-dataset-of-casting-product.
  4. Dabhi, R., 2020, (2020, 03.06.2021). Casting product image data for quality inspection. Available: https://www.kaggle.com/ravirajsinh45/real-life-industrial-dataset-of-casting-product.
  5. Deng, J., Dong, W., Socher, R., Li, L.J., Li, K., & Fei-Fei, L., 2009, Imagenet: A large-scale hierarchical image database, in Computer Vision and Pattern Recognition, 2009, CVPR 2009, IEEE Conference on. IEEE, 2009, pp. 248–255.
  6. Deng, J., Dong, W., Socher, R., Li, L.J., Li, K., & Fei-Fei, L., 2009, Imagenet: A large-scale hierarchical image database, in Computer Vision and Pattern Recognition, 2009, CVPR 2009, IEEE Conference on. IEEE, 2009, pp. 248–255.
  7. Ganin, Y., Kononenko, D., Sungatullina, D., & Lempitsky V., 2016, Deepwarp: Photorealistic image resynthesis for gaze manipulation, European Conference on Computer Vision. Springer, Cham, pp. 311-326.
  8. Ganin, Y., Kononenko, D., Sungatullina, D., & Lempitsky V., 2016, Deepwarp: Photorealistic image resynthesis for gaze manipulation, European Conference on Computer Vision. Springer, Cham, pp. 311-326.
  9. Goodfellow, I., Warde-Farley, D., Mirza, M., Courville, A., & Bengio, Y., 2013, Proceedings of the 30th International Conference on Machine Learning, PMLR, 28(3):1319-1327.
  10. Goodfellow, I., Warde-Farley, D., Mirza, M., Courville, A., & Bengio, Y., 2013, Proceedings of the 30th International Conference on Machine Learning, PMLR, 28(3):1319-1327.
  11. Graham, B., 2014, Spatially-sparse convolutional neural networks, arXiv:1409.6070. Graham, B., 2014, Spatially-sparse convolutional neural networks, arXiv:1409.6070. He, K., Zhang, X., Ren, S. & and Sun, J., 2016, Deep residual learning for image recognition, in Proceedings of the IEEE conference