Benzerlik metriği öğrenme, bir uzaklık öğrenme yaklaşımı olup aynı sınıfa ait örnekler arasındaki benzerliği arttırmayı, farklı sınıflar arasındaki benzerliği ise azaltmayı hedeflemektedir. Son yıllarda derin öğrenmenin elde ettiği başarıyla beraber benzerlik metriği öğrenmenin derin ağ modellerinde başarıyla uygulanabileceği görülmüştür. Bu çalışmada derin metrik öğrenme modellerinden olan Siamese ve Triplet ağ modelleri kullanılarak histopatolojik görüntülerde bir sınıflandırma işlemi gerçekleştirilmiştir. Histopatolojik görüntüler radyologlar tarafından tanı amacıyla kullanılırken sağlıklı ve sağlıksız görüntülerini birbirinden ayırmak oldukça zorlayıcıdır. Bu çalışmada literatürde başarısını kanıtlamış olan transfer öğrenme yöntemleri derin metrik öğrenme modellerine entegre edilmiştir. Yapılan çalışma sonucunda Siamese+VGG19 ağ modelinde %95,39 başarı elde edilirken, Triplet+VGG19 ağ modelinde ise %96,92 sınıflandırma başarısı elde edilmiştir.
Birincil Dil | Türkçe |
---|---|
Konular | Elektrik Mühendisliği (Diğer) |
Bölüm | Akademik ve/veya teknolojik bilimsel makale |
Yazarlar | |
Yayımlanma Tarihi | 30 Temmuz 2024 |
Gönderilme Tarihi | 14 Mayıs 2024 |
Kabul Tarihi | 14 Haziran 2024 |
Yayımlandığı Sayı | Yıl 2024 Cilt: 14 Sayı: 2 |
EMO BİLİMSEL DERGİ
Elektrik, Elektronik, Bilgisayar, Biyomedikal, Kontrol Mühendisliği Bilimsel Hakemli Dergisi
TMMOB ELEKTRİK MÜHENDİSLERİ ODASI
IHLAMUR SOKAK NO:10 KIZILAY/ANKARA
TEL: +90 (312) 425 32 72 (PBX) - FAKS: +90 (312) 417 38 18
bilimseldergi@emo.org.tr