Evrişimli Sinir Ağları

Evrişimli Sinir Ağları

Evrişimli sinir ağları, özellikle görüntü ve video verilerini işlemek için kullanılan derin öğrenme mimarileridir. İngilizcede “Convolutional Neural Networks” olarak adlandırılır ve CNN kısaltmasıyla gösterilir. Dijital görüntüler piksel değerlerinden oluşur. Bir renkli görüntü yükseklik, genişlik ve renk kanallarına sahip sayısal bir yapı olarak temsil edilir. Görüntünün her pikselini tam bağlantılı ağlarla işlemek çok sayıda parametre gerektirebilir. Evrişimli ağlar küçük filtreleri görüntü üzerinde kaydırarak yerel özellikleri belirler. Bir filtre kenarları, başka bir filtre belirli yönlerdeki çizgileri veya dokuları öğrenebilir. Aynı filtrenin görüntünün farklı bölgelerinde kullanılması ağırlık paylaşımı olarak adlandırılır. Böylece bir özellik görüntünün nerede bulunduğundan bağımsız olarak tanınabilir. Evrişim katmanlarının çıktısına özellik haritası denir. Ağın ilk katmanları basit görsel özellikleri, ilerleyen katmanları ise daha karmaşık nesne parçalarını öğrenir. Havuzlama katmanları özellik haritalarının boyutunu küçültmek için kullanılabilir. Bu işlem hesaplama maliyetini azaltır ve küçük konum değişikliklerine karşı dayanıklılık sağlayabilir. Evrişimli ağlar görüntü sınıflandırma, nesne tespiti, yüz tanıma ve tıbbi görüntü analizi gibi görevlerde kullanılır. Bir görüntü sınıflandırma modeli görüntünün genel sınıfını belirlerken nesne tespit modeli nesnelerin görüntü içindeki konumlarını da bulur. Görüntü bölütleme ise her piksele bir sınıf etiketi atar. CNN’lerin başarılı çalışması için büyük ve çeşitli veri kümeleri gerekir. Eğitim verisinde yeterince temsil edilmeyen aydınlatma, açı veya kullanıcı grupları performans düşüşüne yol açabilir. Veri artırma yöntemleri görüntülerin döndürülmesi, kırpılması veya parlaklığının değiştirilmesi gibi işlemlerle veri çeşitliliğini artırır. Evrişimli ağlar bazı küçük ve insan tarafından fark edilmesi zor değişikliklerden etkilenebilir. Saldırgan örnek adı verilen özel değişiklikler modelin yanlış sınıflandırma yapmasına yol açabilir. Günümüzde görüntü işleme alanında dönüştürücü tabanlı mimariler de yaygınlaşmıştır. Buna rağmen CNN’ler verimli ve güçlü görüntü işleme araçları olarak önemini korumaktadır.