CNN Evrişimsel Sinir Ağları
Evrişimsel sinir ağları derin öğrenmenin bir alt dalıdır. Evrişimsel sinir ağları, alınan görüntüyü sınıflandırma , nesne tespiti ve takibi gibi problemleri çözmek için geliştirilmiş ağlardır.
Kısaca alınan görüntüyü belirli parçalara ayırıp ayrılan parça üzerine evrişim işlemleri uygulayarak görüntüyü sınıflandırma işlemidir. CNN işlemleri öznitelik çıkarma ve sınıflandırma olarak iki bölüme ayrılır.
1 -Öznitelik Çıkarımı (Evirişim Operasyonu)
1.1 Evrişim Katmanı
Görsele etki eden ilk katman olan evrişim katmanında görüntünün (alınan piksel parçasının) özellik haritaları çıkarılır. Bu özellik haritası matrislerin (alınan piksel ve komşu piksellerinin) elemanlarının çarpımı ile bulunur. Alınan 3*3lük (örnek olarak) filtre/matris görüntü üzerinde dolaştırarak işlem görüntüye uygulanır. İşlemler sonucunda kullanılan filtreye göre birden çok özellik haritası oluşturulur. Mesela görüntüdeki keskin kenarları ayırt etmek için ayrı bir filtre kullanılırken, bükük şekilleri ayırt etmek için ayrı bir filtre kullanılır.
Görüntü üzerindeki kenarlar ve keskin bükülme yaşayan şekiller algılanır. Mesela görüntümüz süzülen bir kartal olsun, özellik algılayıcı bu kartalın kanatlarını algılayabilir. Bu işlemler sonucunda orjinal görüntünün boyutu azalır ve bu durum hazırlanılan modelin hızlı çalışması açısından gerçekten önemlidir.
1.2 Aktivasyon Fonksiyonu
Evrişim katmanından sonra matrise aktivasyon fonksiyonu uygulanır. Bunun için ReLU olarak adlandırılan doğrusalığı kırarak, görüntüdeki doğrusal olmayan kısımları öğrnememize yarayan fonksiyon kullanılır.
1.3 Piksel Ekleme Katmanı
Evirşim katmanları devam ettikçe elimizde bulunan görüntü istemediğimiz miktarda küçülebilir. Ancak görüntüyü doğru sınıflandırabilmemiz için görüntünün boyutunu olabildiğince korumamız gerekmektedir. Bu sorun görüntü üzerinde piksel eklemesi yapılarak ortadan kaldırılabilir.
1.4 Ortaklama ve Düzleştirme
Parametre sayısını azaltarak ölçek veya yön değişikliklerine göre değişmeyen özelliklerin algılanmasını sağlar. Aşırı öğrenmeyi (over-fitting) kontrol eder.
Düzleştirme ise iki boyutlu veriyi tek boyutlu bir vektör haline getirilmesi işlemidir.
2 -Sınıflandırma
2.1 Tam Bağlantı
Bir katmandaki nöronların önceki katmanlardaki işlemler ile birbirine bağlantısı vardır. Yani bütün bir sistem tam olarak yapar sinir ağları gibi ağlarla birbirine bağlıdır. Bu şekilde sınıflandırma işlemi de gerçekleştirilir.
2.2 Seyreltme (Dropout)
Bu adımda amaç ezberlemeyi (over-fitting/aşırı öğrenme) önlemektir. Birbirine bağlı olan norönlar arasında seyreltme işlemi yapılarak sayıları azaltılır. Rastgele norönların eğitimi sırasında göz ardı edilen bir tekniktir.
2.3 Veri Arttırma
Bu adım da ezberleme sorunu ile başa çıkmak için kullanılır. Bunun için bu adıma veri setinin yapar olarak genişletilmesi gerekir. Görüntünün varyasyonlarını yeniden oluşturmak için eğitim verilerini küçük dönüşümlerle değiştirebiliriz. Örnek olarak bir görüntü kendi etrafında 90'ar derece döndürülerek, görüntünün 4 adet varyasyonu oluşturulur. Bu adımın asıl nedeni bir nesneyi kaşımıza çıkabilecek bütün durumlarda tanıyabilmektir.
Kaynaklar
1 -DATAI -Team CNN dersi
