GÖRÜNTÜ SINIFLANDIRMADA DERİN ÖĞRENME YÖNTEMLERİNİN KARŞILAŞTIRILMASI

Bu çalışmada ESA (Evrişimsel Sinir Ağları), ResNet ve AİA (Ağ İçinde Ağ) yaklaşımları kullanılarak oluşturulan ve E-Model, R-Model, A-Model şeklinde adlandırılan derin öğrenme modellerinin farklı veri kümeleri üzerinde performansları karşılaştırılmıştır. CIFAR-10 veri kümesi için derin öğrenme modelleri sadece MİB (Merkezi İşlem Birimi) içeren bir makinede ve MİB ile GİB (Grafik İşlem Birimi) içeren bir makinede ayrı ayrı çalıştırılmıştır. Sadece MİB içeren makinede R-Model, A-Model ve E-Model için sırasıyla yaklaşık 415 saatlik, 129 saatlik ve 3.5 saatlik eğitim aşamaları sonucunda doğrulama veri seti üzerinde sırasıyla %82.76, %87.64 ve %83.47 doğruluk oranları elde edilmiştir. MİB ve GİB içeren makinede ise R-Model, A-Model ve E-Model için sırasıyla yaklaşık 4.45 saatlik, 2.20 saatlik ve 1.82 saatlik eğitim aşamaları sonucunda doğrulama veri seti üzerinde sırasıyla %82.61, %87.95 ve %82.43 doğruluk oranları elde edilmiştir. Diğer veri kümeleri için ise modeller MİB ve GİB içeren makinede çalıştırılarak deneysel sonuçlar elde edilmiştir. Oluşturulan derin öğrenme modellerinin yapıları, eğitim için kullanılan parametre değerleri, doğrulama verileri için elde edilen karmaşıklık matrisleri, doğruluk ve kayıp grafikleri ayrıntılı olarak verilmiştir.