Presented at the 4th International Symposium on Innovative Approaches in Engineering and Natural Sciences (ISAS WINTER-2019 (ENS)), Samsun, Turkey, Nov 22, 2019

SETSCI Conference Proceedings, 2019, 9, Page (s): 516-519 , https://doi.org/10.36287/setsci.4.6.147

Published Date: 22 December 2019    | 1011     14

Yapay sinir ağları makine öğrenmesi alanında birçok problemin çözümünde sıklıkla kullanılmaktaydı. Fakat “Yapay Zeka Kışı” olarak da adlandırılan dönemde ilk olarak donanımsal kısıtlamalar ve diğer problemler sebebiyle bu alandaki çalışmalar durma noktasına gelmiştir. 2000’lerin başında tekrar gözde bir alan olmaya başlayan yapay sinir ağları, GPU gelişmeleriyle birlikte sığ ağlardan derin ağlara geçiş yapmıştır. Derin öğrenme, her katmanda geri yayılım algoritmasını kullanarak büyük veri kümelerindeki gizli ve ayırt edici özelliklerini keşfetmektedir. Bu yaklaşım görüntü işlemeden, doğal dil işlemeye, medikal uygulamalardan aktivite tanımaya kadar oldukça geniş bir yelpazede başarıyla kullanılmaya başlanmıştır. Konvolüsyonel Sinir Ağı (CNN), bir modelin doğrudan görüntülerden, videodan, metinlerden veya sesten sınıflandırma görevlerini gerçekleştirerek öğrenen bir makine öğrenimi türüdür ve derin öğrenmenin en popüler algoritmalarından bir tanesidir. Bu çalışmada öncelikle görüntü işleme, sinyal işleme, doğal dil işleme ve konuşma tanıma gibi makine öğrenmesi konularındaki problemlerin çözümünde son yıllarda büyük doğruluk oranı ve hız ile kendinden çokça söz ettiren konvolüsyonel sinir ağlarından bahsedilmiştir. Bu ağların yapısı incelenmiş ve trafik hız sınırlama levhalarına CNN yapısı uygulanmıştır. Çeşitli trafik hız sınırı levha işaretleri modele veri seti olarak verilip eğitildikten sonra modelimiz test olarak verilen resimlerde hız sınırlarını başarılı olarak çizip nesne tanıma işlemini gerçekleştirmiştir.

Keywords - CNN, Konvolüsyonel Nöral Ağlar, Derin Öğrenme, Nesne Tanıma, Yapay Sinir Ağları

[1] Smirnov A.E., Timoshenko D.M., Andrianov N.S., Comparison of Regularization Methods for ImageNet Classification with Deep Convolutional Neural Networks, AASRI Procedia, Volume 6, 2014, Pages 89-94.
[2] Bengio Y. (2009), “Learning Deep Architectures for AI,” Found. trends® Mach. Learn., vol. 2, no. 1, pp. 1–127.
[3] Song H. A. and Lee S.-Y. (2003), “Hierarchical Representation Using NMF,” in International Conference on Neural Information Processing.,pp. 466–473.
[4] GuJ.,Wang Z., Kuen J., Ma L., Shuai B., Shahroudy A., Liu T., Wang X., Wang G., Cai J., Chen T., May 2018, Recent advances in convolutional neural networks, Pattern Recognition, Volume 77, May 2018, Pages 354-377.
[5] He X., Zhang W., 2018, Emotion recognition by assisted learning with convolutional neural networks, Neurocomputing, Volume 291, Pages 187-194.
[6] Matsugu M., Mori K., Mitari Y., Kaneda Y., Subject independent facial expression recognition with robust face detection using a convolutional neural network, June–July 2003,Neural Network, Volume 16, Issues 5–6, Pages 555-559.
[7] Lo B., Chan P., Lın S., Artificial Convolution Neural Network for Medical Image Pattern Recognition, Neural Network, Volume 8, Issues 7–8, 1995, Pages 1201-1214.
[8] Vanrell M., Rafegas I., Color encoding in biologically-inspired convolutional neural networks, Vision Research, Volume 151, October 2018, Pages 7-17.
[9] Perlin A. H., Lopes H. S., Extracting human attributes using a convolutional neural network approach, Pattern Recognition Letters, Volume 68, Part 2, 15 December 2015, Pages 250-259.
[10] You Q., Luo J., Jin H., Yang J., ( 2015), Robust image sentiment analysis using progressively trained and domain transferred deep networks, in: Proceedings of the Twenty-Ninth AAAI Conference on Artificial Intelligence.
[11] Pertusa A., Gallego J. A., Bernabeu M., MirBot: A collaborative object recognition system for smartphones using convolutional neural networks, Neurocomputing, Volume 293, 7 June 2018, Pages 87-99.
[12] https://ww2.mathworks.cn/en/solutions/deep-learning/convolutional-neural-network.html (1 Jan 2019).