|
Son 20 yıldaki ulaşılabilir verilerin hızlı bir şekilde artması, problem çözme için yapay zeka kullanımında verinin rolünü de değiştirmiştir. Derin öğrenme, verinin fazlalığı ile hem verilerde yeni korelasyonlar bulma hem de karar verme görevlerindeki performansı arttırmak için potansiyeller içermektedir. Bu nedenle, bu yaklaşım, çözüm ile ilgili görülen özelliklerin açık bir şekilde belirlenmesi gerekliliğini ortadan kaldırarak, bu tür büyük verilerin işlenmesinde öne çıkmaktadır. Problemi hangi verinin temsil ettiğinin belirlenmesi ile problemin yeniden yapılandırılması ve sonuçların değerlendirilmesi, derin öğrenme uygulamalarında birincil zorluklar olarak ortaya çıkmaktadır.
Bu tez kapsamında, mimarlık problemleri de dahil olmak üzere geniş bir uygulama yelpazesi için uygun olan derin öğrenme algoritmaları ile problem çözme sürecini baştan sona tanımlamak için veri tasarım terimi önerilmiştir. Veri tasarımı, problemin yeniden formüle edilmesinden sonuçların değerlendirilmesine kadar olan ve süreç boyunca alınan kararların karşılıklı ilişkilerini göz önünde bulundurulduğu bütüncül bir yaklaşım olarak tanımlanmıştır. Bu bağlamda, mimarlıkta veri tasarımı, sonuçların değerlendirilmesinde öznelliği en aza indirgemek için binalarda çatlak tespiti ile örneklenmiştir. Bu amaçla, veri tasarımı ve derin öğrenme arasındaki ilişki, duruma özel değerlendirme gereksinimleri ve performansın artırılmasına yönelik stratejiler, çatlak tespiti için görsel sınıflandırması ve semantik bölütleme uygulamaları ile incelenmiştir. Buna paralel olarak, bu tez çalışması, sadece veri tasarımının tanıtılması ve çerçevesinin çizilmesi ile değil, aynı zamanda görüntü sınıflandırması ve bölütleme uygulamaları için çatlak tespitine özel değerlendirme ölçümlerinin önerilmesi ile literatüre katkıda bulunmaktadır ve sınırlı görsel özelliklere sahip nesnelerin semantik bölütlenmesi için dördün ağaç (quad tree) ve derin öğrenme algoritmalarının beraber kullanıldığı yeni bir yöntem önerilmektedir. Sonuç olarak, veri tasarımı ve ilgili sonuçları derinlemesine tartışılmakta ve duruma özel olma, uygulama sürecinde alınan kararlar ve bunların hem sürece hem de sonuçlara olan etkilerine açıklanmıştır.
Anahtar Kelimeler: veri tasarımı, derin öğrenme, evrişimli sinir ağları, çatlak tespiti, semantik bölütleme
|
|
Dramatic increase of available data in the last 20 years transformed the role of data in artificial intelligence algorithms for problem solving. Deep learning embodies potentials for both finding novel correlations within data, and improvement in decision making process in its massiveness. Thus, this approach is prominent in processing such massive data by removing the necessity of explicitly determining features relevant to the solution. Reformulation of the problem in terms of determining which data represent the problem and evaluating the results emerge as the primary challenges in deep learning applications.
Within the scope of this thesis, data design term is introduced to describe end to end process of problem solving with deep learning algorithms which is suitable for broad range of applications including problems in architecture. Data design defined as a holistic approach embracing the process from problem (re)formulation to evaluation of the results considering the interrelations of decisions made throughout the process. In this context, data design in architecture is exemplified with the task of crack detection in buildings in order to minimize subjectivity in the course of evaluating the results. For this purpose, the relation between data and deep learning framework, case specific evaluation requirements and strategies for enhancing the performance are inspected through image classification and semantic segmentation applications for crack detection. Concordantly, this study contributes to the literature not only with the introduction and framing of data design but also with the proposal of crack detection specific evaluation metrics for both image classification and segmentation applications and a novel method is proposed employing quad tree and deep learning algorithms in conjunction for semantic segmentation of objects with limited visual features. As a result, data design and respective consequences are discussed in depth and demonstrated regarding the case dependency, decisions taken in the course of implementation and their influences to both process and the results.
Keywords: data design, deep learning, convolutional neural networks, crack detection, semantic segmentation |
