DeepGraphNet: Grafiklerin Sınıflandırılmasında Derin Öğrenme Modelleri

Abstract

Grafik sınıflandırma modeli henüz yeni bir araştırma alanı olarak ön plana çıkan bir görüntü işleme yaklaşımıdır. Özellikle verilerin görselleştirilmesi ve kolay okunabilirliğini sağlamak için tercih edilen grafikler, programlama dillerinin esnekliğini ve görselliğini her geçen gün artırmasına bağlı olarak hızla gelişen üçüncü parti ofis yazılımları, farklı görsel türlerde grafikler oluşturabilmektedir. Bu çalışmanın amacı, farklı giriş olarak verilen grafiğin hangi tür bir grafik olduğunu belirlemeyen bir derin öğrenme modeli oluşturmaktır. Analiz edilen görüntülerine düşük ve yüksek seviye öznitelik çıkarma algoritmları uygulamak yerine, doğruda derin öğrenme modellerine giriş olarak verilmiştir. Derin öğrenme algoritmalarının öznitelik öğrenme, paylaşılmış sınıflandırma ağırlıklarının transferi ve kendi içerisindeki ileri seviyeli görüntü işleme kabiliyetlerini kullanılarak modellerin grafik sınıflandırmada ki etkinlikleri kıyaslanmıştır. Çalışmada konvolüsyonel sinir ağları ve derin inanç ağları modellerinin genel başarım, hassasiyet, özgünlük, pozitif öngörü değeri ve negatif öngörü değeri gibi sınıflandırıcı performansları hesaplanmıştır. Analizlerde kullanılan veriler, çizgi grafiği, sütun grafiği, pasta grafiği ve dağılım grafiğini eşit sayıda içerecek şekilde toplam 1200 resimden meydana gelmektedir. Herbir resim dosyası 224x224 boyutta yeniden boyutlandırılarak, gri seviye resme dönüştürülmüştür. Analizlerin sınıflama süreçlerinde 5-katlı çapraz doğrulama yöntemi kullanılarak herbir verinin birrbirinden bağımsız olarak test ve eğitim süreçlerine dâhil edilmesi sağlanmıştır. Deneysel çalışmalardan elde edilen sonuçlar göstermiştir ki önerilen konvolüsyonel sinir ağları düşük, orta ve yüksek seviyeli öznitelik çıkarma kapasitesiyle %92,92 genel başarımla dört farklı grafiği sınıflandırırken, derin inanç ağları %90,04 genel başarıma kadar ulaşabilmiştir. Görüntülerdeki verilerin istatistiksel ve enerji durumuna bağlı olarak yeniden oluşturulan yansımalar her ne kadar bu verilerin belirli filtrelerden konvolüsyon işlemi sonrası elde edilen yansımalarından daha düşük sınıflandırma başarımı elde etmiş olsa da denenen farklı katman sayısına sahip modeller için yüksek başarımlar elde edilmiştir. Tensörler haline getirilen katmanların en baskın özelliklerinin belirlenerek belirleyici piksel değerlerinin havuzlama ile bir sonraki katmana aktarıldığı konvolüsyonel sinir ağları modelleri, görüntü işleme yaklaşımları için esneklik ve etkin bir kullanım sağlamaktadır.