Yazar "Muhammad, Abdulaziz" seçeneğine göre listele
Listeleniyor 1 - 2 / 2
Sayfa Başına Sonuç
Sıralama seçenekleri
Öğe Compare the classification performances of convolutional neural networks and capsule networks on the Coswara dataset(Dicle Üniversitesi Mühendislik Fakültesi, 2023) Muhammad, Abdulaziz; Arserim, Muhammet Ali; Türk, ÖmerSince the beginning of the COVID-19 pandemic, researchers have developed numerous machine learning models to distinguish between positive and negative COVID-19 sounds. The aim of this study is to compare the classification performances of convolutional neural networks (CNN) and capsule networks (CapsNet) on the Coswara dataset, which includes 1404 healthy subjects and 522 COVID-19 positive subjects, each containing nine different types of sounds. The dataset was preprocessed by using oversampling and normalization techniques after feature extraction. k-fold cross-validation was used (where k=10) to train and evaluate the models. The CNN classifiers achieved a 94% ACC, while the CapsNet classifiers achieved an 90% ACC. Furthermore, when using leave-one-out cross-validation, the CNN classifier achieved an ACC of 99%. we also compared the performance of the CNN and CapsNet networks on the Coswara dataset without preprocessing. Without oversampling techniques, the CNN classifiers achieved an 93% ACC, compared to 54% for the CapsNet classifiers. When normalization techniques were not applied, the CNN classifiers achieved an 86% ACC, while the CapsNet classifiers achieved a 26% ACC.Öğe Evrişimsel sinir ağları ile kapsül ağının sınıflandırma performanslarının karşılaştırılması(Dicle Üniversitesi, Fen Bilimleri Enstitüsü, 2023) Muhammad, Abdulaziz; Arserim, Muhammet Ali; Türk, ÖmerEvrişimsel Sinir Ağları (ESA) ve Kapsül Ağları (KA), bilgisayar görüsü, doğal dil işleme, konuşma tanıma ve robotik dahil olmak üzere çeşitli alanlarda yaygın olarak kullanılan iki sinir ağı türüdür. Evrişimsel Sinir Ağları, bir dizi evrişimli katman kullanarak girdileri işlemek için tasarlanmış ileri beslemeli sinir ağlarıdır. Bu katmanlar, bir dizi özellik haritası oluşturan girdiden özellikleri çıkarmak için filtreler uygular. Özellik haritaları daha sonra verilerin uzamsal boyutsallığını azaltan havuzlama katmanları tarafından işlenir. Son olarak, bir veya daha fazla tamamen bağlı katman nihai çıktıyı oluşturur. Öte yandan, Kapsül Ağları, özellikler arasındaki uzamsal ilişkileri yönetememe gibi ESA'ların bazı sınırlamalarının üstesinden gelmeyi amaçlayan nispeten yeni bir sinir ağı türüdür. Kapsül Ağları, farklı nesne özelliklerini temsil eden nöron grupları olan kapsüllerin hiyerarşik yapısını kullanır. Bu kapsüller, özellikler arasındaki uzamsal ilişkileri öğrenmelerine izin verecek şekilde bağlanır ve öğrenilen uzamsal ilişkiler sayesinde daha kapsamlı bir nesne temsiline yol açar. Bu çalışmada hem sağlıklı bireyler hem de COVID-19'lu kişiler için ses örnekleri içeren ve çevrimiçi olarak erişilebilen Coswara veri setine hem Evrişimsel Sinir Ağları hem de Kapsül Ağları uygulanmıştır. İki ağın sınıflandırma performansı karşılaştırılmış, çapraz doğrulama, aşırı örnekleme ve normalizasyon gibi çeşitli tekniklerin sınıflandırma performansı üzerindeki etkileri değerlendirilmiştir. Elde edilen sonuçlardan, en iyi sınıflandırma performans başarımının Evrişimsel Sinir Ağından elde edildiği ve Kapsül Ağlarından daha hızlı olduğu görülmüştür. Ayrıca, ön işleme teknikleri uygulanmadığı zaman, Evrişimsel Sinir Ağının sınıflandırma performansının, Kapsül Ağlara göre daha az etkilendiği tespit edilmiştir.