Tez No	İndirme	Tez Künye	Durumu
547421		A new deep learning approach: Differential convolutional neural network / Yeni bir derin öğrenme yaklaşımı: Farksal konvolüsyonel sinir ağı Yazar:MEHMET SARIGÜL Danışman: PROF. DR. MUTLU AVCI Yer Bilgisi: Çukurova Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora İngilizce 2019 118 s.
Derin öğrenme yapıları birçok bilimsel çalışma alanında önceden görülmemiş başarı oranları yakalamıştır. En çok bilinen derin öğrenme yapısı olan konvolüsyonel sinir ağı genel olarak örüntü tanıma çalışmalarında kullanılmaktadır. Konvolüsyonel sinir ağ yapıları konvolüsyon ve havuzlama katmanları içeren bir özellik çıkarıcı yapısı ve tam bağlı bir sınıflayıcı ağ yapısından oluşur. Bu tezin ilk çalışmasında, güçlü bir çekirdek tabanlı sınıflayıcı olan GCNN, sınıflandırma performansını arttırmak için CNN yapısına adapte edilmiştir. Bu adaptasyon kesinlik, duyarlılık ve F1-skor değerlerinde sırası ile %44.45, %39.69 ve %43.57 değerlerine kadar bağıl bir performans artışı sağlamıştır. Bu adaptasyon performansı önemli ölçüde arttırmasına karşın, konvolüsyonel kısmın temsil yeteneği anlamında zayıf kaldığı gözlemlenmiştir. Bu nedenle, daha yüksek bir öğrenme performansına sahip bir konvolüsyon tekniği geliştirme fikri ortaya çıkmıştır. Yeni bir konvolüsyon tekniği olan, bir piksel ve komşuları arasındaki yönlü değişim farklarını ele alan farksal konvolüsyon önerilmiştir. Farksal konvolüsyon uygulayan derin öğrenme yapıları farksal konvolüsyonel sinir ağları olarak adlandırılmıştır. Bu yapılar doğruluk, kesinlik, duyarlılık ve F1-skor değerlerinde sırası ile 55.29%, 58.43%, 41.75% ve 56.43% değerlerine kadar bağıl bir performans artışı sağlamıştır. Anahtar Kelimeler: Derin öğrenme, konvolüsyonel sinir ağı, konvolüsyon teknikleri, genel regresyon sinir ağı, resim sınıflama, örüntü tanıma, yapay zeka, makine öğrenmesi.
Deep learning structures have achieved unprecedented success rates in many scientific research areas. The well-known deep structure, convolutional neural network, is commonly used in pattern recognition studies. Convolutional neural network structures are composed of a feature extractor consisting of convolution and pooling layers and a fully connected network used as a classifier. In the first study of the thesis, GCNN, a strong kernel-based classifier, was adapted to CNN structure to increase the classification performance. This adaptation led a relative performance increase up to 44.45%, 39.69% and 43.57% for precision, recall, and F1-score, respectively. Although this adaptation yielded a significant increase in performance, it was observed that the convolutional part was weak in terms of representation. Therefore, the idea of developing a convolution technique with higher learning performance has emerged. A novel convolution technique named as Differential Convolution which considers directional changes among a pixel and its neighbors is proposed. Deep structures applying Differential Convolution are named as Differential Convolutional Neural Networks. These structures made a relative performance boost up to 55.29%, 58.43%, 41.75% and 56.43% for accuracy, precision, recall, and F1-score, respectively. Key Words: Deep learning, convolutional neural network, convolution techniques, general regression neural network, image classification, pattern recognition, artificial intelligence, machine learning.