Yazar "Tasdemir, Sakir" seçeneğine göre listele

Listeleniyor 1 - 2 / 2
  • [ X ]
    Öğe
    Transfer Derin Öğrenme Teknikleri ile Görüntü Sınıflandırmada Aktivasyon Fonksiyonlarının Performans Üzerindeki Etkisi
    (2024) Habek, Gül Cihan; Tasdemir, Sakir; Başçiftçi, Fatih; Yılmaz, Ahmet
    İleri beslemeli yapay sinir ağı modeli olan konvolüsyonel sinir ağları (CNN) görüntülerin sınıflandırılması problemlerinde sıklıkla kullanılmaktadır. Genel olarak konvolüsyon katmanı, havuzlama katmanı ve tam bağlı katmandan oluşan CNN modeli üzerinde performansı iyileştirmek amacı ile birtakım eklemeler ve değişiklikler yapılarak yeni mimariler geliştirilmiştir. Bu çalışmada geliştirilen CNN tabanlı VGG16 ve ResNet50 mimarilerine sigmoid, tanh ve ReLu aktivasyon fonksiyonlu farklı sayıda gizli katman eklenerek derin transfer öğrenme tekniği ile görüntüler sınıflandırılmış ve performansları karşılaştırılmıştır. Sınıflandırma için kullanılan veri seti meyveler ile ilgili çoklu sınıflı bir veri seti olup kurulan modellerin son katmanında 10 nöronlu softmax sınıflandırıcı kullanılmıştır. Devir sayısı 10 girilerek sınıflandırma doğruluğu (accuracy), duyarlılık (precision), geri çağırma (recall) ve f1-ölçütü olmak üzere dört farklı metrik için sonuçlar alınmıştır. Alınan sonuçlar kıyaslandığında modeller arasında ResNet50 mimarisine sigmoid aktivasyon fonksiyonlu, 256 ve 128 nöronlu iki gizli katman ve 10 nöronlu bir softmax sınıflandırıcı katmanı olmak üzere toplam üç katman eklenerek oluşturulan modelin %97.5 sınıflandırma doğruluğu değeri ile en iyi sonucu verdiği gözlemlenmiştir. Son olarak dört metrik için alınan sonuçlar Friedman ve Nemenyi post-hoc testlerine tabi tutularak istatistiksel bir analiz yapılmış, modeller arasındaki ilişki test edilmiştir. Test sonucunda oluşturulan modellerin birbirleri ile ilişkili olduğu sonucuna varılmıştır.
  • [ X ]
    Öğe
    Triple-Stream Deep Feature Selection with Metaheuristic Optimization and Machine Learning for Multi-Stage Hypertensive Retinopathy Diagnosis
    (Mdpi, 2025) Suyun, Suleyman Burcin; Yurdakul, Mustafa; Tasdemir, Sakir; Bilis, Serkan
    Hypertensive retinopathy (HR) is a serious eye disease that can lead to permanent vision loss if not diagnosed early. The conventional diagnostic methods are subjective and time-consuming, so there is a need for an automated and reliable system. In this study, a three-stage method that provides high accuracy in HR diagnosis is proposed. In the first stage, 14 well-known Convolutional Neural Network (CNN) models were evaluated, and the top three models were identified. Among these models, DenseNet169 achieved the highest accuracy rate of 87.73%. In the second stage, the deep features obtained from these three models were combined and classified using machine learning (ML) algorithms including Support Vector Machine (SVM), Random Forest (RF), and Extreme Gradient Boosting (XGBoost). The SVM with a sigmoid kernel achieved the best performance (92% accuracy). In the third stage, feature selection was performed using metaheuristic optimization techniques including Genetic Algorithm (GA), Artificial Bee Colony (ABC), Particle Swarm Optimization (PSO), and Harris Hawk Optimization (HHO). The HHO algorithm increased the classification accuracy to 94.66%, enhancing the model's generalization ability and reducing misclassifications. The proposed method provides superior accuracy in the diagnosis of HR at different severity levels compared to single-model CNN approaches. These results demonstrate that the integration of Deep Learning (DL), ML, and optimization techniques holds significant potential in automated HR diagnosis.