Derin öğrenme ile görüntü sınıflandırma

Abstract

Çiçek sınıflandırma, benzer şekil, görünüm veya yaprak, ot gibi çevresel nesnelere sahip olan geniş çeşitlilikteki çiçek türleri nedeniyle zorlu bir iştir. Bu tez çalışmasında, çeşitli türdeki çiçekleri ayırt etmek için son teknoloji bir yöntem olan öğrenim transferi stratejilerinden biri kullanılmıştır. Bunun için geleneksel yöntemlerden farklı olarak literatürde sıklıkla kullanılmış iki çiçek veri kümesinin özellikleri, veri artırımı uygulanmak suretiyle ön eğitimli bir derin evrişimli sinir ağı yardımıyla çıkarılmıştır. Daha sonra bu özellikler, çeşitli yapay öğrenme algoritmaları ile sınıflandırmış ve bulguları karşılaştırmalı olarak sunulmuştur. Kullanılan sınıflandırıcıların bazıları ile literatürdeki en yüksek başarımlar elde edilmiştir.

Flower classification is a challenging task due to a wide variety of flower species with similar shape, appearance or environmental objects such as leaves and grass. In this thesis, one of the transfer learning methods, which is the latest technology, has been used to differentiate various types of flowers. For this purpose, unlike traditional methods, the features of the images from the two commonly used flower datasets were extracted with the help of a pre-trained deep convolutional neural network through data augmentation. Then, these features are classified by various machine learning algorithms and their results are presented comparatively. Some of the classifiers used achieved the highest performances in the literature.