Evrişimsel sinir ağları ile kapsül ağının sınıflandırma performanslarının karşılaştırılması
Yükleniyor...
Dosyalar
Tarih
2023
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Dicle Üniversitesi, Fen Bilimleri Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Evrişimsel 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.
Convolutional Neural Networks (CNN) and Capsule Networks (CapsNet) are two commonly used types of neural networks in various fields, including computer vision, natural language processing, speech recognition, and robotics.CNNs are feedforward neural networks designed to process inputs using a sequence of convolutional layers. These layers apply filters to extract features from the input, which generates a set of feature maps. The feature maps are then processed by pooling layers that reduce the spatial dimensionality of the data. Finally, one or more fully connected layers generate the final output. On the other hand, Capsule Networks are a relatively new type of neural network that aims to overcome some of the limitations of CNN, such as their inability to handle spatial relationships between features. Capsule Networks use a hierarchical structure of capsules, which are groups of neurons that represent different object properties. These capsules are connected in a way that allows them to learn spatial relationships between features, leading to a more comprehensive object representation.In this study, we applied both Convolutional Neural Networks and Capsule Networks to the Coswara dataset, which contains audio samples for both healthy individuals and those with COVID-19, and is available online. We compared the classification performance of two networks were compared and the classification performance, such as cross-validation, oversampling, and normalization were evaluated. Our results were shown that the Convolutional Neural Network achieved the best results and was faster than the Capsule Network. Moreover, the CNN was less impacted when preprocessing techniques were not applied.
Convolutional Neural Networks (CNN) and Capsule Networks (CapsNet) are two commonly used types of neural networks in various fields, including computer vision, natural language processing, speech recognition, and robotics.CNNs are feedforward neural networks designed to process inputs using a sequence of convolutional layers. These layers apply filters to extract features from the input, which generates a set of feature maps. The feature maps are then processed by pooling layers that reduce the spatial dimensionality of the data. Finally, one or more fully connected layers generate the final output. On the other hand, Capsule Networks are a relatively new type of neural network that aims to overcome some of the limitations of CNN, such as their inability to handle spatial relationships between features. Capsule Networks use a hierarchical structure of capsules, which are groups of neurons that represent different object properties. These capsules are connected in a way that allows them to learn spatial relationships between features, leading to a more comprehensive object representation.In this study, we applied both Convolutional Neural Networks and Capsule Networks to the Coswara dataset, which contains audio samples for both healthy individuals and those with COVID-19, and is available online. We compared the classification performance of two networks were compared and the classification performance, such as cross-validation, oversampling, and normalization were evaluated. Our results were shown that the Convolutional Neural Network achieved the best results and was faster than the Capsule Network. Moreover, the CNN was less impacted when preprocessing techniques were not applied.
Açıklama
Anahtar Kelimeler
Evrişimsel sinir ağları, Kapsül ağları, Coswara veri seti, Çapraz doğrulama, Aşırı örnekleme, Normalizasyon, Convolutional neural networks (CNN), Capsule networks, Coswara dataset, Cross-validation, Oversampling, Normalization
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Muhammad, A. (2023). Evrişimsel sinir ağları ile kapsül ağının sınıflandırma performanslarının karşılaştırılması. Yayımlanmamış yüksek lisans tezi, Dicle Üniversitesi, Diyarbakır.
