Skip to content
Review Peer ReviewedAt least two reviewers Open Access

Derin Öğrenme Mimarilerinden Konvolüsyonel Sinir Ağları (CNN) Üzerinde Görüntü İşleme-Sınıflandırma Kabiliyetininin Arttırılmasına Yönelik Yapılan Çalışmaların İncelenmesi

1Bursa Uludağ University 
✉ Corresponding author: Mustafa Tüfekçi · mtufekci@maysanmando.com
PDF BibTeX RIS

Abstract

İnsan ve bilgisayar etkileşimi, interaktif teknolojilerin tasarımı, değerlendirilmesi ve uygulanması ile ilgilenen disiplinler arası bir çalışma alanıdır. Bankalar, hastaneler, okullar, internet siteleri gibi hayatın her alanında insan ve bilgisayar etkileşimi alanından bir uygulama görmek mümkündür. 2000li yıllarda ivme kazanan insan ve bilgisayar etkileşimi çalışmaları günümüzde de öncelikli alanlar arasında yer almaktadır. Derin öğrenme de insan ve bilgisayar etkileşimi alanının uygulamalarından biridir. Derin öğrenme, her ardışık katmanda, önceki katmanın çıktısının kendisine girdi olarak alınması prensibine dayanır. Derin öğrenmenin başlıca mimarileri Konvolüsyonel Sinir Ağları(CNN), Tekrarlayan Sinir Ağları(RNN), Uzun-Kısa vadeli Hafıza Ağları(LSTM), Sınırlı Boltzman Makineleri(RBM), Derin Oto-Kodlayıcıları(AE)’dır. Konvolüsyonel sinir ağları (CNN) çok katmanlı algılayıcıdır. Görüntü, ses, dil işleme ve biyomedikal alanlarında uygulama örnekleri bulunmakta olup bunlardan en iyi sonuçlar görüntü işleme alanında uygulanmıştır. Ayrıca Konvolüsyonel Sinir Ağları (CNN) anlamsal ayrıştırma, arama sorgusu, cümle modelleme, sınıflandırma, tahmin problemleri gibi alanlarda da başarılı sonuçlar vermiştir. Bu çalışmada Konvolüsyonel Sinir Ağları (CNN) tabanlı görüntü işleme-sınıflandırma uygulamalarının iyileştirilmesine yönelik literatürde yapılan bazı çalışmalar incelenerek derlenmiştir. CNN tabanlı geliştirilen uygulamaların incelenen çalışmalarda yapılan deney sonuçlarına göre yüksek doğruluk oranları yakaladıkları gözlemlenmiştir.

Keywords

English-language details

A Review for Investigation Studies That are Done for Improving Image ProcessingClassification Based on Convolutional Neural Network (CNN) That is Architectural of Deep Learning

Abstract – Human-Computer interaction (HCI) is a multidisciplinary study area that interested in interactive technology design, evaluation and application. Human-Computer interaction (HCI) is on all area of life such as banks, hospitals, schools and websites. Human-Computer interaction (HCI) that has acceleration after 2000’s, is priority working topic nowadays. Deep learning is one of the applications of Human-Computer interaction (HCI). Output of the previous layer is input for the next layer in deep learning. The main architectures of deep learning are Convolutional Neural Network (CNN), Recurrent Neural Network (RNN), Long-Short Term Memory (LSTM), Restricted Boltzmann Machiness (RBM), Autoencoders (AE). Convolutional Neural Network (CNN) are detector that have many layers. Convolutional Neural Network (CNN) has so many applications related with image, sound, language processing and biomedical; hovewer the best practice is on image processing for Convolutional Neural Network (CNN). In addition, Convolutional Neural Network (CNN) has succesfull applications on semantic decomposition, search results, sentece modelling, classification and prediction. This study is a review study for investigation of some studies that are done for improving image classification based on Convolutional Neural Network (CNN). It seems that applications based on Convolutional Neural Network (CNN) has high successful ratio according to test results that are acquired from the investigated studies.

Keywords

Cite this article

Tüfekçi, M., & Karpat, F. (2019). Derin Öğrenme Mimarilerinden Konvolüsyonel Sinir Ağları (CNN) Üzerinde Görüntü İşleme-Sınıflandırma Kabiliyetininin Arttırılmasına Yönelik Yapılan Çalışmaların İncelenmesi. In International Congress on Human-Computer Interaction, Optimization and Robotic Applications (pp. 28–31). SET Technology. https://doi.org/10.36287/setsci.4.5.007

Article History

Published
12 Oct 2019

License

© 2019 SET Technology. This article is distributed under the terms of the CC BY 4.0.

Research Contributions (2019+)Peer reviewed by at least two reviewers
Open AccessCC BY 4.0
Open Discovery Metadata · DOI · OAI-PMH
Global Reachresearchers worldwide