Browsing by Author "Oflas, Safa"

Filter results by typing the first few letters
Now showing 1 - 1 of 1
  • Thumbnail Image
    Master Thesis
    Infogan ve RDA-GAN Kullanılarak Veri Artırımının Evrişimsel Sinir Ağları Üzerine Etkisi
    (2025) Oflas, Safa; Ataman, Fikriye
    Tez çalışmasında, GAN tabanlı veri üretimi kullanılarak sınırlı veri koşullarında CNN tabanlı sınıflandırma modellerinin performansı incelenmiştir. Araştırmada iki farklı GAN algoritması, InfoGAN ve RDA-GAN algoritmalarıdır. Veri üretim aşaması için üç farklı veri seti CIFAR-100, MNIST ve CelebAMask-HQ üzerinde sentetik veri üretimi için kullanılmıştır ve en iyi sınıflandırma sonuçları MNIST veri setinden elde edilmiştir. InfoGAN ile MNIST verisi üzerinde üretilen verilerde en düşük FID değeri 24.38361444380 olarak bulunmuş ve sınıflandırma sonuçları orijinal MNIST verisine oldukça yakın olmuştur. Yarı sentetik veri yarı orijinal veriden oluşan sınıflandırmada DenseNet169 modeli F1-Skor 0.9213 ve test doğruluğu %92.20 değerlerini almış, bu sonuçlar orijinal MNIST verisi ile elde edilen DenseNet169 performansına F1-Skor 0.9388, test doğruluğu %93.90 oldukça yakın olmuştur. Sadece sentetik verilerle yapılan sınıflandırmada ResNet50 modeli F1-Skor 0.7098 ve test doğruluğu %70.30 değerlerini göstermiş ve bu sonuçlar orijinal MNIST verisi ile elde edilen ResNet50 performansına F1-Skor 0.9377, test doğruluğu %93.80 yakın bir performans sergilemiştir. RDA-GAN algoritması ile MNIST verisi üzerinde üretilen verilerde en iyi FID değeri 48.3179143859 olarak gözlemlenmiş ve sınıflandırma sonuçları orijinal veriye oldukça yakın olmuştur. Yarı sentetik veri ile yapılan sınıflandırmada DenseNet169 modeli F1-Skor 0.92.10 ve test doğruluğu %92.10 değerlerini alırken, yalnızca üretilen verilerle yapılan sınıflandırmada F1-Skor 0.8454 ve test doğruluğu %84.50 olarak gerçekleşmiştir. Sınıflandırma çalışmalarında ayrıca VGG16 modeli de kullanılmış, ancak en iyi performans DenseNet169 ve ResNet50 tarafından elde edilmiştir. Elde edilen bulgular, GAN tabanlı veri üretiminin sınırlı veri koşullarında CNN modellerinin performansını orijinal veriye oldukça yakın bir şekilde yansıtabileceğini göstermektedir.