Affiliation:
1. MANİSA CELÂL BAYAR ÜNİVERSİTESİ
Abstract
Çevrimiçi moda sektörü son yıllarda hızlı bir şekilde büyümektedir. Bu sektörde yer alan moda ürünü görselleri miktarı da sürekli artış göstermektedir. Ürünleri tanımlama ve sınıflandırma yeteneğine sahip bir sistem, görsellere otomatik etiket eklenmesini sağlayarak hızlı erişime olanak verdiği gibi çalışanların iş yükünü de hafifletebilir. Ayrıca moda sınıflandırma sistemi müşterilerin beğenisine dayalı ürünler sunmada kullanılabilir. Büyük miktarlardaki görseli işleyebilmek için ise yüksek performanslı algoritmalara ihtiyaç duyulmaktadır. Son yıllarda derin öğrenme uygulamalarından Evrişimsel Sinir Ağları (CNN) görüntü analizinde başarısı ile ön plana çıkmaktadır. Literatürde bir çok CNN mimarisi yer almakla birlikte, sınıflandırma doğruluğunu arttıracak yeni CNN mimarilerine olan ihtiyaç artan görsel verisi ile birlikte devam etmektedir. Bu çalışma, 10 sınıfa ayrılmış moda ürünü görselleri içeren Fashion-MNIST veri setini kullanarak farklı CNN mimarileri önermektedir. Önerilen mimarilerle amaç L2 ve Dropout düzenleyici yöntemlerin tahmin başarısına olan etkisini araştırmaktır. Bu sayede, verileri daha iyi sınıflandıran CNN modeli araştırılmıştır. Çalışmada önerilen mimariler; temel CNN, L2 düzenleyici ile CNN, Dropout düzenleyici ile CNN ve son olarak her iki düzenleyiciyi içeren CNN modelleridir. Her iki düzenleyici yöntem de ağ ezberlemeyi azaltmıştır. Elde edilen sonuçlara göre Dropout içeren CNN mimarisi %94.3 doğruluk (accuracy) değeri ile en iyi performansı sunan model olmuştur.
Reference27 articles.
1. [1] Ö. İnik and E. Ülker, “Derin Öğrenme ve Görüntü Analizinde Kullanılan Derin Öğrenme Modelleri,” Gaziosmanpasa Journal of Scientific Research, vol. 6, no. 3, pp. 85–104, 2017.
2. [2] M. Tripathi, “Analysis of Convolutional Neural Network based Image Classification Techniques,” Journal of Innovative Image Processing, vol. 3, no. 2, pp. 100–117, 2021, doi: 10.36548/jiip.2021.2.003.
3. [3] K. Meshkini, J. Platos, and H. Ghassemain, “An Analysis of Convolutional Neural Network for Fashion Images Classification (Fashion-MNIST),” in International Conference on Intelligent Information Technologies for Industry, 2020, pp. 85–95.
4. [4] Y. Seo and K. shik Shin, “Hierarchical convolutional neural networks for fashion image classification,” Expert Systems with Applications, vol. 116, pp. 328–339, 2019, doi: 10.1016/j.eswa.2018.09.022.
5. [5] Y. Lecun, Y. Bengio, and G. Hinton, “Deep learning,” Nature, vol. 521, no. 7553, pp. 436–444, 2015, doi: 10.1038/nature14539.