Yazar "Yücedağ, I." seçeneğine göre listele

Listeleniyor 1 - 2 / 2
  • Küçük Resim
    Öğe
    El Yazısı Rakam Tanıma Problemi için Havuzlama Yöntemlerinin Karşılaştırılması
    (Institute of Electrical and Electronics Engineers Inc., 2019) Pala, T.; Güvenç, U.; Kahraman, H. T.; Yücedağ, I.; Sonmez, Y.
    Desen tanıma sistemlerinin tasarımında, el yazısı rakamlarının tanınması için güncel bir yaklaşım olarak evrişimli sinir ağları (convolutional neural network) kullanılmaktadır. Evrişimli sinir ağlarının çok katmanlı bir yapıya ve her bir katmanda çok sayıda öğeye sahip olması karmaşıklık düzeyini artırmaktadır. Karmaşıklık düzeyinin artması bu ağlar için optimum konfigürasyonun keşfedilmesini de epeyce zorlaştırmaktadır. Bu zorluğu aşmak ve görüntüleri başarılı bir şekilde sınıflandırmak için evrişimli sinir ağlarının katmanlarını bağımsız bir şekilde modellemek etkili bir çözüm olabilir. Bu makale çalışmasında evrişimli sinir ağlarının üç temel katmanından biri olan havuzlama (pooling) katmanının optimum tekniklerle tasarlanması üzerine araştırmalar yapılmıştır. Bu amaçla öncelikle temel bir evrişimli ağ yapısı oluşturulmuştur. Devamında ise MNIST veri seti kullanarak farklı havuzlama yöntemlerinin, bu ağların sınıflandırma performansı üzerinde etkisi araştırılmıştır. Yapılan çalışmada, literatürde en çok kullanılan ortalama ve maksimum havuzlama yöntemlerinin yanında Mixed havuzlama, Stochastic havuzlama, rastgele havuzlama, Gauss havuzlama, medyan havuzlama, minimum havuzlama yöntemleri de kullanılmıştır. Deneysel sonuçlar en yüksek doğruluk değerinin Mixed havuzlama, en düşük doğruluk değerlerinin minimum havuzlama yöntemine ait olduğunu göstermiştir.
  • Küçük Resim
    Öğe
    Haar Wavelet Neural Network Model
    (Institute of Electrical and Electronics Engineers Inc., 2019) Pala, T.; Yücedağ, I.; Kahraman, H. T.; Güvenç, U.; Sönmez, Y.
    Convolutional neural networks, one of the most important methods of deep learning which is a popular and modern research topic. Nowadays, thismethod has been applied many problems in a short time and obtained successful results for science and the industry. The multi-layer structure adopted in the design of the convolutional neural network increases the network depth and thus leads to significant problems. In this study, Haar Wavelet Transform-based neural network structure is proposed. Proposed model reduces complexity and number of layers in the network structure. Performance ratios of the proposed model and the conventional model were tested on benchmark MNIST dataset. As a result, when the proposed Haar Wavelet Neural Network model and the convolutional neural network model are compared the accuracy is increased and running time is 6.5 times faster. © 2018 IEEE.