setsci SETSCI Conference Proceedings 2687-5527 SET Technology 10.36287/setsci.22.65.001 fc5ff343-dbee-4a90-9222-16ada41b8050 El Yazısı Karakterlerin Tanınmasında Derin Sinir Ağlarının Etkinliği Kısıtlı ve Geniş Sınıf Yapılarının Performans Analizi Fidan Erdin Kaya Mahir Bilgisayar Mühendisliği, Tokat Gaziosmanpaşa Üniversitesi 10 07 2025 22 119 123 © 2025 SET Technology 2025 SET Technology CC BY 4.0

Bu çalışmada, el yazısı karakterlerin tanınmasına yönelik derin öğrenme tabanlı bir model geliştirilmiştir. Model, farklı sayıda çıkış sınıfı (karakter) için test edilmiş; yalnızca 10 karakterin sınıflandırıldığı senaryoda %96 doğruluk oranı elde edilirken, sınıf sayısı 62’ye çıkarıldığında %86 doğruluk oranı yakalanmıştır. Elde edilen sonuçlar, sınıf sayısının artmasının model performansı üzerindeki etkisini açıkça göstermekte ve karakter çeşitliliği arttıkça sınıflandırma probleminin daha karmaşık hâle geldiğini ortaya koymaktadır. Bu bağlamda, önerilen modelin çok sınıflı karakter tanıma görevlerinde yüksek doğrulukla çalışabildiği görülmüş ve modelin performansı sınıf sayısına bağlı olarak detaylı şekilde analiz edilmiştir. Ayrıca, modelin eğitimi iki aşamalı olarak planlanmış olup, ilk olarak SGD optimizasyon algoritması ile temel öğrenme sağlanmış, ardından Adam algoritması ile model ince ayar (fine-tuning) sürecine tabi tutulmuştur.

 El Yazısı Tanıma Derin Öğrenme Konvolüsyonel Sinir Ağı Batch Normalization Dropout Sınıflandırma Karakter Tanıma Handwriting Recognition Deep Learning Convolutional Neural Network Batch Normalization Dropout Classification Character Recognition Y. LeCun, L. Bottou, Y. Bengio, and P. Haffner, “Gradient-based learning applied to document recognition,” Proceedings of the IEEE, vol. 86, no. 11, pp. 2278–2324, Nov. 1998. A. Krizhevsky, I. Sutskever, and G. E. Hinton, “ImageNet classification with deep convolutional neural networks,” in Advances in Neural Information Processing Systems, vol. 25, 2012, pp. 1097–1105. M. Kaya, “Feature fusion-based ensemble CNN learning optimization for automated detection of pediatric pneumonia,” Biomed. Signal Process. Control, vol. 87, p. 105472, 2024. M. Kaya and Y. Çetın-Kaya, “A novel deep learning architecture optimization for multiclass classification of Alzheimer’s disease level,” IEEE Access, vol. 12, pp. 46562–46581, 2024. Gonzalez, R. C., & Woods, R. E. (2018). Digital Image Processing. Pearson. LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature. Barbedo, J. G. A. (2013). Digital image processing techniques for detecting, quantifying and classifying plant diseases. SpringerPlus. M. Kaya, S. Ulutürk, Y. Çetin Kaya, O. Altıntaş ve B. Turan "Optimization of Several Deep CNN Models for Waste Classification," Sakarya Üniversitesi Bilgisayar Bilimleri ve Mühendisliği Dergisi, http://saucis.sakarya.edu.tr/en/pub/issue/79575/1257100 Cohen, G., Afshar, S., Tapson, J., & van Schaik, A. (2017). EMNIST: Extending MNIST to handwritten letters. de Campos, T. E., Babu, B. R., & Varma, M. (2009). Character recognition in natural images. Clanuwat, T., Bober-Irizar, M., Kitamoto, A., Lamb, A., Yamamoto, K., & Ha, D. (2018). Deep Learning for Classical Japanese Literature. Jindal, A., Dua, M., & Kumar, M. (2018). Handwritten Arabic character recognition using convolutional neural network. Lin, T. Y., Goyal, P., Girshick, R., He, K., & Dollár, P. (2017). Focal Loss for Dense Object Detection. ICCV. Buda, M., Maki, A., & Mazurowski, M. A. (2018). A systematic study of the class imbalance problem in convolutional neural networks. Neural Networks. Afzal, M. Z., Kölsch, A., Ahmed, S., & Liwicki, M. (2019). Deep learning based baseline detection in historical documents. Jaderberg, M., Simonyan, K., Vedaldi, A., & Zisserman, A. (2014). Synthetic data and artificial neural networks for natural scene text recognition. Miyazaki, K., & Kitamoto, A. (2019). Improving character recognition in Kuzushiji using ResNets. Alginahi, Y. M., Alabrah, A., & Alotaibi, M. (2020). Arabic handwritten character recognition using hybrid deep neural networks S. Mann, “Handwritten English Characters and Digits,” Kaggle, 2023. [Online]. Available: https://www.kaggle.com/datasets/sujaymann/handwritten-english-characters-and-digits