A New Deep Learning Approach:Differential Convolutional Neural Network

---

Tezin Türü: Doktora

Tezin Yürütüldüğü Kurum: Çukurova Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği, Türkiye

Tezin Onay Tarihi: 2019

Tezin Dili: İngilizce

Öğrenci: Mehmet Sarıgül

Asıl Danışman (Eş Danışmanlı Tezler İçin): MUTLU AVCI

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Derin öğrenme yapıları birçok bilimsel çalışma alanında önceden görülmemiş başarı oranları yakalamıştır. En çok bilinen derin öğrenme yapısı olan konvolüsyonel sinir ağı genel olarak örüntü tanıma çalışmalarında kullanılmaktadır. Konvolüsyonel sinir ağ yapıları konvolüsyon ve havuzlama katmanları içeren bir özellik çıkarıcı yapısı ve tam bağlı bir sınıflayıcı ağ yapısından oluşur. Bu tezin ilk çalışmasında, güçlü bir çekirdek tabanlı sınıflayıcı olan GCNN, sınıflandırma performansını arttırmak için CNN yapısına adapte edilmiştir. Bu adaptasyon kesinlik, duyarlılık ve F1-skor değerlerinde sırası ile %44.45, %39.69 ve %43.57 değerlerine kadar bağıl bir performans artışı sağlamıştır. Bu adaptasyon performansı önemli ölçüde arttırmasına karşın, konvolüsyonel kısmın temsil yeteneği anlamında zayıf kaldığı gözlemlenmiştir. Bu nedenle, daha yüksek bir öğrenme performansına sahip bir konvolüsyon tekniği geliştirme fikri ortaya çıkmıştır. Yeni bir konvolüsyon tekniği olan, bir piksel ve komşuları arasındaki yönlü değişim farklarını ele alan farksal konvolüsyon önerilmiştir. Farksal konvolüsyon uygulayan derin öğrenme yapıları farksal konvolüsyonel sinir ağları olarak adlandırılmıştır. Bu yapılar doğruluk, kesinlik, duyarlılık ve F1-skor değerlerinde sırası ile 55.29%, 58.43%, 41.75% ve 56.43% değerlerine kadar bağıl bir performans artışı sağlamıştır. Anahtar Kelimeler: Derin öğrenme, konvolüsyonel sinir ağı, konvolüsyon teknikleri, genel regresyon sinir ağı, resim sınıflama, örüntü tanıma, yapay zeka, makine öğrenmesi.