Bilgisayarlı Görmede Topluluk Öğrenimi (Ensemble Learning) Yaklaşımları

Abstract

– Bilgisayarlı görme, makine öğrenimi ve yapay zeka alanlarında önemli bir araştırma konusu olmuştur. Görüntü işleme, nesne tanıma, yüz tanıma, nesne takibi ve daha birçok uygulama bilgisayarlı görme alanındaki gelişmeler ışığında büyük ilerlemeler kaydetmiştir. Ancak, bilgisayarlı görme sistemleri ile üretilen uygulamalarda halen tam anlamıyla insana yakın performans yakalanmamıştır. Özellikle bu performans düşüklüğü, fine-grained yani bir türün alt türlerinin içinde bulunduğu veri kümelerinde daha çok belirgindir. Fine-grained veri kümelerinde saha uzmanlarını dahi zorlayacak seviyede sınıf içi varyans ve sınıflar arası benzerliğin yüksek olması, problemi önemli ölçüde zorlaştırmaktadır. Bu noktada, topluluk öğrenimi (ensemble learning) yaklaşımları alternatif bir çözüm sunabilir. Bu bildiri, bilgisayarlı görme alanında topluluk öğrenimi yaklaşımlarını ele alarak, bu alandaki son gelişmeleri ve önemli konuları incelemektedir. Topluluk öğrenimi, birden fazla öğrenme modelinin bir araya getirilmesi ve birbirleriyle işbirliği yapmalarını içeren bir yaklaşımı ifade eder. Bu yaklaşım, özellikle karmaşık görevlerde ve sınırlı veri koşullarında daha etkili sonuçlar elde etmeye yardımcı olabilir. Bildirimizde, topluluk öğrenimi yaklaşımlarının çeşitleri, temel çalışma mekanizmaları, avantajları ve zorlukları ele alınacaktır. Ayrıca, bu yaklaşımların görüntü sınıflandırma, nesne tespiti, ve diğer bilgisayarlı görme görevlerinde nasıl kullanılabileceğine değinilecektir. Topluluk öğrenimi yöntemlerinin, model performansı ve veri verimliliğini artırmada nasıl kullanılabileceği de vurgulanacaktır. Bildiri ile hedeflenen, bilgisayarlı görmede topluluk öğrenimi yaklaşımlarının önemine vurgu yapılarak, bu alanda araştırma yapmak isteyenler için rehberlik edecek ve gelecekteki çalışmalarına ilham kaynağı olacak bir çalışma ortaya koymaktır.