Görüntü Dönüştürücü Tabanlı Meta-Öğrenme ile Gürbüz Bir Elma Hastalığı Sınıflandırma Yaklaşımı

Authors : Metehan Gunde, Gültekin Işık

Pages : 1193-1205

Doi:10.21597/jist.1641204

View : 90 | Download : 167

Publication Date : 2025-12-01

Article Type : Research Paper

Abstract :Az örnekle öğrenme, etiketlenmiş verilerin kısıtlı olduğu tarımsal sınıflandırma problemleri için önemli bir çözüm olarak ortaya çıkmıştır. Bu çalışma elma yapraklarındaki hastalıkları sınıflandırmak amacıyla Görüntü Dönüştürücü modeli ile Model-Bağımsız Meta-Öğrenme algoritmalarını (MAML ve MAML++) birlikte kullanmayı önermektedir. Bu yaklaşımların performansı, 2-way 5-shot ve 4-way 1-shot senaryolarında değerlendirilmiştir. MAML algoritması, 2-way 5-shot senaryosunda en iyi performansını (96,27% doğruluk, 0,1299 kayıp) elde ederken, 4-way 1-shot senaryosunda en kötü performansını (88,80% doğruluk, 0,2884 kayıp) sergilemiş ve bu da %7,47\\\'lik bir doğruluk farkı yaratmıştır. Buna karşılık, MAML++ algoritması, en iyi (90,73% doğruluk, 0,3580 kayıp) ve en kötü (83,60% doğruluk, 0,5401 kayıp) performansları arasında %7,13\\\'lük daha küçük bir doğruluk farkı ile daha iyi bir tutarlılık sergilemiştir. Bu bulgular, MAML\\\'ın daha iyi sınıflandırma performansına rağmen MAML++\\\'ın daha tutarlı ve daha dayanıklı olduğunu göstermektedir. Bu çalışma, Görüntü Dönüştürücü modellerinin özellik çıkarım yeteneklerini meta-öğrenme algoritmalarıyla birleştirerek gerçek dünya koşullarında doğru ve güvenilir hastalık sınıflandırması için yeni bir yaklaşım sunmaktadır. Sonuçlar, geliştirilen yaklaşımın tarımsal uygulamalarda, özellikle etiketlenmiş verilerin kısıtlı olduğu senaryolarda önemli bir potansiyele sahip olduğunu göstermektedir.
Keywords : Az sayıda örnekle öğrenme, Meta öğrenme, MAML, Görüntü Dönüştürücü, Görüntü sınıflandırma, Derin öğrenme

ORIGINAL ARTICLE URL