Akademik Veri Yönetim Sistemi
Yildiz K. (Yürütücü), Çakar M.
Yükseköğretim Kurumları Destekli Proje, 2021 - 2022
| Son yıllarda evrişimsel sinir ağları kullanılarak yapılan nesne sınıflandırma ve tespit işlemleri hızlı sonuç vermekte ve yüksek doğruluk elde edilmektedir. Farklı modellerin mevcut veri setinde tekrar tekrar eğitilmesi süreci, model eğitim süreleri dikkate alındığında oldukça uzundur. Bu çalışmada planlanan model aynı giriş ve çıkış katmanına sahip modüller paralel olarak eğitilip uygun modüllerin belirlenmesi şeklinde eğitilmesi amaçlanmıştır.. Örneğin; Visual Geometry Group (VGG) Network’de ikinin kuvvetleri kadar filtre sayısından oluşan ve seri bir şekilde bağlı konvolüsyon katmanları, Resudial Network (ResNet)’de kullanılan konvolüsyon katmanlarında önceki katmanlardan çıkan değerlerle eklenenlerin oluştuğu katmanlar ya da GoogLeNet’de kullanılan Inception modüller bu modelde aday modül olarak kullanılacaktır. En uygun modülün seçilebilmesi için her bir modülün 0 ile 1 arasında eğitilebilir bir ağırlık değişkeni tanımlanacaktır ve diğer katmanlarla başlangıçta eşit ve toplamları 1 olacaktır. Yeni bir katman oluşturularak bu modüller ağırlıklarla çarpıldıktan sonra diğer modüllerin çıktılarıyla toplanacaktır. Bu ağırlıklar belirli bir epoch sayısından sonra incelenecektir. Bu katsayılar bir eşik değerin altındaysa o modül modelden çıkarılacaktır veya bir başka eşik değerinin üstündeyse de o modül tutulacak ve diğer modüller modelden çıkarılacaktır. Bu modüllerin katsayıları o modeli seçme kriteri olacaktır çünkü bir katsayının yüksek olması o modülün modeldeki etkisinin daha yüksek olduğu ve sıfıra yakın olanların modeldeki etkisinin az olduğu düşünüldüğünden modül seçiminde daha etkili olduğu varsayılmıştır. Bu öğrenme yönetimi kolektif öğrenme yapısına benzemektedir ancak bu çalışmada katsayılar sonradan modelin seçilmesini ya da elenmesini sağlayacaktır. Bu da model seçimini kolaylaştıracak ve farklı modülleri birleştirerek hibrit bir model oluşturulması sağlanacaktır. |