Derin \u00f6\u011frenme, yapay zeka alan\u0131nda son y\u0131llar\u0131n en \u00e7\u0131\u011f\u0131r a\u00e7\u0131c\u0131 geli\u015fmelerinden biri olmu\u015ftur ve bu ilerlemenin \u00f6nemli bir k\u0131sm\u0131 Evri\u015fimsel Sinir A\u011flar\u0131na (CNN’ler) bor\u00e7ludur. \u00d6zellikle g\u00f6r\u00fcnt\u00fc i\u015fleme, bilgisayar g\u00f6r\u00fc\u015f\u00fc ve do\u011fal dil i\u015fleme gibi alanlarda CNN’ler, insan benzeri performans sergileyerek standart algoritmalar\u0131 geride b\u0131rakm\u0131\u015ft\u0131r. CNN’lerin ba\u015far\u0131s\u0131n\u0131n ard\u0131ndaki temel yap\u0131 ta\u015flar\u0131ndan biri de “havuzlama” (pooling) katmanlar\u0131d\u0131r. Bu makale, havuzlama katmanlar\u0131n\u0131n ne oldu\u011funu, neden kullan\u0131ld\u0131\u011f\u0131n\u0131, farkl\u0131 t\u00fcrlerini, avantajlar\u0131n\u0131, dezavantajlar\u0131n\u0131 ve modern derin \u00f6\u011frenme mimarilerindeki rol\u00fcn\u00fc detayl\u0131 bir \u015fekilde inceleyecektir.<\/p>\n
Evri\u015fimsel Sinir A\u011flar\u0131, genellikle g\u00f6r\u00fcnt\u00fc verileriyle \u00e7al\u0131\u015fmak \u00fczere tasarlanm\u0131\u015f \u00f6zel bir derin \u00f6\u011frenme a\u011f\u0131 t\u00fcr\u00fcd\u00fcr. Geleneksel \u00e7ok katmanl\u0131 alg\u0131lay\u0131c\u0131lar\u0131n (MLP) aksine, CNN’ler verinin uzamsal hiyerar\u015fik yap\u0131s\u0131n\u0131 koruyarak \u00f6\u011frenirler. Bir CNN tipik olarak a\u015fa\u011f\u0131daki katmanlardan olu\u015fur:<\/p>\n
* Evri\u015fim Katmanlar\u0131 (Convolutional Layers):<\/strong> G\u00f6r\u00fcnt\u00fcdeki yerel desenleri (kenarlar, k\u00f6\u015feler, dokular vb.) alg\u0131lamak i\u00e7in filtreler (\u00e7ekirdekler) kullan\u0131r. Bu katmanlar, girdi g\u00f6r\u00fcnt\u00fcs\u00fc \u00fczerinde kayd\u0131r\u0131larak “\u00f6zellik haritalar\u0131” (feature maps) olu\u015fturur. Bu katmanlar, bir araya gelerek bir g\u00f6r\u00fcnt\u00fcy\u00fc ham piksel verilerinden ba\u015flayarak giderek daha soyut ve anlaml\u0131 \u00f6zellik temsillerine d\u00f6n\u00fc\u015ft\u00fcren bir hiyerar\u015fi olu\u015fturur.<\/p>\n Havuzlama, bir evri\u015fimsel sinir a\u011f\u0131ndaki temel bir i\u015flemdir ve genellikle bir evri\u015fim katman\u0131ndan sonra uygulan\u0131r. Temel amac\u0131, \u00f6zellik haritalar\u0131n\u0131n uzamsal boyutunu (geni\u015flik ve y\u00fckseklik) k\u00fc\u00e7\u00fcltmektir. Bu k\u00fc\u00e7\u00fcltme i\u015flemi, a\u011f\u0131n hesaplama y\u00fck\u00fcn\u00fc azaltman\u0131n yan\u0131 s\u0131ra, a\u011f\u0131n \u00e7eviri de\u011fi\u015fmezli\u011fi (translation invariance) kazanmas\u0131na ve \u00f6\u011frenilen \u00f6zelliklerin daha sa\u011flam (robust) olmas\u0131na yard\u0131mc\u0131 olur.<\/p>\n Bir evri\u015fim katman\u0131n\u0131n \u00e7\u0131k\u0131\u015f\u0131, genellikle orijinal girdi g\u00f6r\u00fcnt\u00fcs\u00fcnden daha k\u00fc\u00e7\u00fck bir uzamsal boyuta sahip olsa da, hala olduk\u00e7a b\u00fcy\u00fck olabilir. \u00d6rne\u011fin, 256×256 piksellik bir g\u00f6r\u00fcnt\u00fc \u00fczerinde 64 farkl\u0131 filtreyle evri\u015fim i\u015flemi yap\u0131ld\u0131\u011f\u0131nda, \u00e7\u0131kt\u0131 256x256x64 boyutunda bir \u00f6zellik haritas\u0131 y\u0131\u011f\u0131n\u0131 olabilir. Bu kadar b\u00fcy\u00fck boyutlu verileri do\u011frudan sonraki katmanlara (\u00f6zellikle tam ba\u011flant\u0131l\u0131 katmanlara) beslemek, hem hesaplama maliyeti hem de bellek t\u00fcketimi a\u00e7\u0131s\u0131ndan verimsizdir ve a\u015f\u0131r\u0131 \u00f6\u011frenmeye (overfitting) yol a\u00e7abilir. Havuzlama, bu sorunu \u00e7\u00f6zmek i\u00e7in tasarlanm\u0131\u015ft\u0131r.<\/p>\n 1. Boyut Azaltma (Dimensionality Reduction):<\/strong> \u00d6zellik haritalar\u0131n\u0131n uzamsal boyutunu k\u00fc\u00e7\u00fclterek, a\u011fdaki parametre say\u0131s\u0131n\u0131 ve hesaplama y\u00fck\u00fcn\u00fc \u00f6nemli \u00f6l\u00e7\u00fcde azalt\u0131r. Bu, a\u011f\u0131n daha h\u0131zl\u0131 e\u011fitilmesini ve daha az bellek kullanmas\u0131n\u0131 sa\u011flar. Havuzlama i\u015flemi, genellikle bir pencere (kernel veya filtre) kullan\u0131larak \u00f6zellik haritas\u0131 \u00fczerinde kayd\u0131r\u0131l\u0131r. Bu pencere i\u00e7indeki de\u011ferlerden tek bir \u00f6zet de\u011fer (maksimum, ortalama vb.) al\u0131n\u0131r ve bu de\u011fer, \u00e7\u0131kt\u0131 havuzlama haritas\u0131n\u0131n kar\u015f\u0131l\u0131k gelen pikseli olur.<\/p>\n Evri\u015fimsel sinir a\u011flar\u0131nda kullan\u0131lan birka\u00e7 farkl\u0131 havuzlama t\u00fcr\u00fc vard\u0131r, ancak en yayg\u0131n olanlar\u0131 maksimum havuzlama ve ortalama havuzlamad\u0131r.<\/p>\n Maksimum havuzlama, bir havuzlama penceresi i\u00e7indeki en b\u00fcy\u00fck de\u011feri se\u00e7erek \u00e7al\u0131\u015f\u0131r. Bu, belirli bir b\u00f6lgedeki en belirgin veya en g\u00fc\u00e7l\u00fc \u00f6zelli\u011fi yakalamay\u0131 ama\u00e7lar.<\/p>\n * \u00c7al\u0131\u015fma Prensibi:<\/strong> Belirli bir boyuttaki (\u00f6rne\u011fin 2×2 veya 3×3) bir pencere, \u00f6zellik haritas\u0131 \u00fczerinde belirli bir ad\u0131m (stride) ile kayd\u0131r\u0131l\u0131r. Her pencere pozisyonunda, pencere i\u00e7indeki t\u00fcm piksellerin maksimum de\u011feri al\u0131n\u0131r ve bu de\u011fer, \u00e7\u0131kt\u0131 havuzlama haritas\u0131n\u0131n ilgili konumuna yaz\u0131l\u0131r. \u00d6rnek:<\/strong> 2×2’lik bir pencere ve 2’lik bir ad\u0131m (stride) ile maksimum havuzlama uyguland\u0131\u011f\u0131nda: \u00c7\u0131kt\u0131 havuzlama haritas\u0131 (2×2):<\/p>\n Ortalama havuzlama, bir havuzlama penceresi i\u00e7indeki t\u00fcm de\u011ferlerin ortalamas\u0131n\u0131 alarak \u00e7al\u0131\u015f\u0131r. Bu, b\u00f6lgedeki genel \u00f6zellik e\u011filimini yakalamay\u0131 ama\u00e7lar.<\/p>\n * \u00c7al\u0131\u015fma Prensibi:<\/strong> Maksimum havuzlamaya benzer \u015fekilde, belirli bir boyuttaki pencere \u00f6zellik haritas\u0131 \u00fczerinde kayd\u0131r\u0131l\u0131r. Ancak bu sefer, pencere i\u00e7indeki t\u00fcm piksellerin ortalamas\u0131 al\u0131n\u0131r ve \u00e7\u0131kt\u0131 havuzlama haritas\u0131n\u0131n ilgili konumuna yaz\u0131l\u0131r. \u00d6rnek:<\/strong> \u00c7\u0131kt\u0131 havuzlama haritas\u0131 (2×2):<\/p>\n Global havuzlama, bir \u00f6zellik haritas\u0131n\u0131n t\u00fcm uzamsal boyutunu tek bir de\u011fere (maksimum veya ortalama) indirger. Bu, genellikle a\u011f\u0131n son evri\u015fim katman\u0131ndan sonra, tam ba\u011flant\u0131l\u0131 katmanlardan hemen \u00f6nce kullan\u0131l\u0131r.<\/p>\n * \u00c7al\u0131\u015fma Prensibi:<\/strong> Her bir \u00f6zellik haritas\u0131 i\u00e7in, t\u00fcm geni\u015flik ve y\u00fckseklik boyunca tek bir maksimum veya ortalama de\u011fer hesaplan\u0131r. \u00d6rne\u011fin, bir 7x7x512 boyutundaki \u00f6zellik haritas\u0131 y\u0131\u011f\u0131n\u0131na global ortalama havuzlama uyguland\u0131\u011f\u0131nda, \u00e7\u0131kt\u0131 1x1x512 boyutunda olur. Her 7×7’lik harita, tek bir ortalama de\u011fere indirgenir. * Lp Havuzlama (Lp Pooling):<\/strong> Maksimum ve ortalama havuzlaman\u0131n genelle\u015ftirilmi\u015f bir formudur. $L_p$ normu kullan\u0131larak hesaplan\u0131r. $p \\to \\infty$ iken maksimum havuzlamaya, $p=1$ iken ortalama havuzlamaya yakla\u015f\u0131r. Havuzlama katmanlar\u0131 genellikle a\u015fa\u011f\u0131daki parametrelerle tan\u0131mlan\u0131r:<\/p>\n * Havuz Boyutu (Pool Size \/ Kernel Size \/ Filter Size):<\/strong> Havuzlama penceresinin geni\u015fli\u011fini ve y\u00fcksekli\u011fini belirler (\u00f6rne\u011fin, 2×2, 3×3). Genellikle kare boyutlar kullan\u0131l\u0131r. \u00c7\u0131kt\u0131 Boyutunun Hesaplanmas\u0131:<\/strong> Havuzlama katmanlar\u0131, CNN’lerin ilk d\u00f6nemlerinden itibaren vazge\u00e7ilmez bir bile\u015feni olmu\u015ftur ve yukar\u0131da bahsedilen bir\u00e7ok avantaj\u0131 sa\u011flam\u0131\u015ft\u0131r. Ancak, derin \u00f6\u011frenme ara\u015ft\u0131rmalar\u0131 ilerledik\u00e7e, havuzlama katmanlar\u0131n\u0131n baz\u0131 dezavantajlar\u0131 ve ele\u015ftirileri de ortaya \u00e7\u0131km\u0131\u015ft\u0131r.<\/p>\n * Hesaplama Verimlili\u011fi:<\/strong> Daha az veri i\u015flenmesi, daha h\u0131zl\u0131 e\u011fitim ve \u00e7\u0131kar\u0131m s\u00fcreleri. * Bilgi Kayb\u0131:<\/strong> En b\u00fcy\u00fck ele\u015ftiri, havuzlama i\u015fleminin uzamsal bilgiyi agresif bir \u015fekilde kaybetmesidir. \u00d6zellikle maksimum havuzlama, pencere i\u00e7indeki di\u011fer t\u00fcm de\u011ferleri g\u00f6z ard\u0131 eder. Bu, nesnenin hassas konumu veya \u015fekli gibi detaylar\u0131n \u00f6nemli oldu\u011fu g\u00f6revlerde sorun yaratabilir. CNN’lerin ilk d\u00f6nemlerinde (LeNet-5, AlexNet), havuzlama katmanlar\u0131 yo\u011fun bir \u015fekilde kullan\u0131l\u0131yordu. VGG a\u011flar\u0131, ard\u0131\u015f\u0131k evri\u015fim katmanlar\u0131n\u0131n ard\u0131ndan d\u00fczenli olarak maksimum havuzlama katmanlar\u0131 kullanarak a\u011f derinli\u011fini art\u0131rm\u0131\u015f ve ba\u015far\u0131l\u0131 sonu\u00e7lar elde etmi\u015ftir.<\/p>\n Ancak, derin \u00f6\u011frenme ara\u015ft\u0131rmalar\u0131 ilerledik\u00e7e ve daha derin a\u011flar geli\u015ftirildik\u00e7e, havuzlaman\u0131n rol\u00fc evrildi ve baz\u0131 durumlarda alternatif y\u00f6ntemlerle de\u011fi\u015ftirildi.<\/p>\n * Ad\u0131ml\u0131 Evri\u015fimler (Strided Convolutions):<\/strong> Havuzlamaya pop\u00fcler bir alternatif, ad\u0131m (stride) parametresi 1’den b\u00fcy\u00fck olan evri\u015fim katmanlar\u0131d\u0131r. \u00d6rne\u011fin, 2’lik bir ad\u0131mla yap\u0131lan bir evri\u015fim i\u015flemi, \u00e7\u0131kt\u0131 \u00f6zellik haritas\u0131n\u0131n boyutunu yar\u0131ya indirerek havuzlama ile benzer bir boyut azaltma etkisi yarat\u0131r. Bu yakla\u015f\u0131m, evri\u015fim katman\u0131n\u0131n ayn\u0131 zamanda bir boyut azaltma i\u015flemi yapmas\u0131n\u0131 ve bu i\u015flemi \u00f6\u011frenilebilir parametrelerle ger\u00e7ekle\u015ftirmesini sa\u011flar. ResNet gibi baz\u0131 modern mimariler, havuzlama yerine veya havuzlamaya ek olarak ad\u0131ml\u0131 evri\u015fimleri kullan\u0131r. Bu alternatiflerin ortaya \u00e7\u0131kmas\u0131, havuzlaman\u0131n her zaman en iyi \u00e7\u00f6z\u00fcm olmad\u0131\u011f\u0131na dair bir anlay\u0131\u015f geli\u015ftirmi\u015ftir. \u00d6zellikle detayl\u0131 uzamsal bilgi gerektiren g\u00f6revlerde, havuzlama yerine ad\u0131ml\u0131 evri\u015fimler veya dilitasyonlu evri\u015fimler gibi y\u00f6ntemler tercih edilebilir. Ancak, s\u0131n\u0131fland\u0131rma gibi g\u00f6revlerde havuzlama, \u00f6zellikle maksimum havuzlama, hala \u00e7ok etkili ve yayg\u0131n olarak kullan\u0131lan bir y\u00f6ntemdir.<\/p>\n Derin \u00f6\u011frenme k\u00fct\u00fcphanelerinde havuzlama katmanlar\u0131n\u0131 uygulamak olduk\u00e7a kolayd\u0131r. \u00d6rne\u011fin, TensorFlow\/Keras ve PyTorch’ta yayg\u0131n olarak kullan\u0131lan havuzlama katmanlar\u0131 \u015funlard\u0131r:<\/p>\n * TensorFlow\/Keras:<\/strong> Bu k\u00fct\u00fcphaneler, havuzlama katmanlar\u0131n\u0131n kolayca bir CNN mimarisine entegre edilmesini sa\u011flayarak geli\u015ftiricilere b\u00fcy\u00fck kolayl\u0131k sunar.<\/p>\n Havuzlama katmanlar\u0131, evri\u015fimsel sinir a\u011flar\u0131n\u0131n ba\u015far\u0131s\u0131nda kritik bir rol oynam\u0131\u015ft\u0131r ve hala oynamaya devam etmektedir. Boyut azaltma, \u00e7eviri de\u011fi\u015fmezli\u011fi sa\u011flama, \u00f6zellik sa\u011flaml\u0131\u011f\u0131n\u0131 art\u0131rma ve a\u015f\u0131r\u0131 \u00f6\u011frenmeyi engelleme gibi temel faydalar\u0131 sayesinde, CNN’lerin g\u00f6r\u00fcnt\u00fc i\u015fleme g\u00f6revlerinde y\u00fcksek performans g\u00f6stermesini sa\u011flam\u0131\u015ft\u0131r. Maksimum havuzlama, ortalama havuzlama ve global havuzlama gibi farkl\u0131 t\u00fcrleri, belirli g\u00f6revlere ve mimari ihtiya\u00e7lara g\u00f6re se\u00e7ilebilir.<\/p>\n Ancak, derin \u00f6\u011frenme alan\u0131 geli\u015ftik\u00e7e, havuzlaman\u0131n bilgi kayb\u0131na neden oldu\u011fu ve \u00f6\u011frenilebilir parametrelere sahip olmad\u0131\u011f\u0131 y\u00f6n\u00fcndeki ele\u015ftiriler de artm\u0131\u015ft\u0131r. Bu ele\u015ftiriler, ad\u0131ml\u0131 evri\u015fimler, dilitasyonlu evri\u015fimler ve kaps\u00fcl a\u011flar\u0131 gibi alternatif y\u00f6ntemlerin ara\u015ft\u0131r\u0131lmas\u0131na yol a\u00e7m\u0131\u015ft\u0131r.<\/p>\n G\u00fcn\u00fcm\u00fcz\u00fcn modern CNN mimarilerinde havuzlama katmanlar\u0131, \u00f6zellikle maksimum havuzlama ve global ortalama havuzlama, hala yayg\u0131n olarak kullan\u0131lmaktad\u0131r. Ancak, tasar\u0131mc\u0131lar art\u0131k havuzlaman\u0131n avantajlar\u0131 ve dezavantajlar\u0131 konusunda daha bilin\u00e7li olup, belirli bir g\u00f6rev i\u00e7in en uygun boyut azaltma stratejisini se\u00e7mek i\u00e7in daha fazla se\u00e7ene\u011fe sahiptirler. Havuzlama, CNN’lerin evriminde \u00f6nemli bir d\u00f6n\u00fcm noktas\u0131 olmu\u015f ve gelecekteki ara\u015ft\u0131rmalara da ilham vermeye devam edecektir.<\/body><\/p>\n","protected":false},"excerpt":{"rendered":"Evri\u015fimsel Sinir A\u011flar\u0131nda Havuzlama Katmanlar\u0131: Derinlemesine Bir Analiz\nDerin \u00f6\u011frenme, yapay zeka alan\u0131nda son y\u0131llar\u0131n en \u00e7\u0131\u011f\u0131r a\u00e7\u0131","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"csco_page_header_type":"","csco_page_load_nextpost":"","csco_page_subscribe_form":"","csco_page_contact_form":"","footnotes":""},"categories":[1],"tags":[],"class_list":{"0":"post-36973","1":"post","2":"type-post","3":"status-publish","4":"format-standard","6":"category-genel","7":"cs-entry","8":"cs-video-wrap"},"yoast_head":"\n
\n* Aktivasyon Katmanlar\u0131 (Activation Layers):<\/strong> Evri\u015fim katmanlar\u0131n\u0131n \u00e7\u0131k\u0131\u015f\u0131na do\u011frusal olmayan bir d\u00f6n\u00fc\u015f\u00fcm uygular. ReLU (Rectified Linear Unit) en yayg\u0131n kullan\u0131lan aktivasyon fonksiyonlar\u0131ndan biridir.
\n* Havuzlama Katmanlar\u0131 (Pooling Layers):<\/strong> \u00d6zellik haritalar\u0131n\u0131n uzamsal boyutunu k\u00fc\u00e7\u00fclt\u00fcr. Bu, makalemizin ana konusudur.
\n* Tam Ba\u011flant\u0131l\u0131 Katmanlar (Fully Connected Layers):<\/strong> A\u011f\u0131n sonuna do\u011fru yer al\u0131r ve \u00f6\u011frenilen y\u00fcksek seviyeli \u00f6zellikleri kullanarak s\u0131n\u0131fland\u0131rma veya regresyon gibi nihai tahminleri yapar.<\/p>\nHavuzlama Katmanlar\u0131 Nedir ve Neden Gereklidir?<\/h3>\n
Havuzlaman\u0131n Temel Ama\u00e7lar\u0131:<\/h4>\n
\n2. \u00c7eviri De\u011fi\u015fmezli\u011fi (Translation Invariance):<\/strong> G\u00f6r\u00fcnt\u00fcdeki k\u00fc\u00e7\u00fck kaymalara, d\u00f6nd\u00fcrmelere veya \u00f6l\u00e7eklemelere kar\u015f\u0131 a\u011f\u0131n daha az hassas olmas\u0131n\u0131 sa\u011flar. Yani, bir nesne g\u00f6r\u00fcnt\u00fcn\u00fcn farkl\u0131 bir yerinde olsa bile, a\u011f\u0131n onu tan\u0131ma yetene\u011fini korumas\u0131na yard\u0131mc\u0131 olur. Havuzlama, belirli bir \u00f6zelli\u011fin tam konumundan ziyade, genel varl\u0131\u011f\u0131n\u0131 \u00f6nemser.
\n3. \u00d6zellik Sa\u011flaml\u0131\u011f\u0131 (Feature Robustness):<\/strong> G\u00fcr\u00fclt\u00fcye ve g\u00f6r\u00fcnt\u00fcdeki k\u00fc\u00e7\u00fck bozulmalara kar\u015f\u0131 \u00f6\u011frenilen \u00f6zelliklerin daha sa\u011flam olmas\u0131n\u0131 sa\u011flar.
\n4. A\u015f\u0131r\u0131 \u00d6\u011frenmeyi Azaltma (Reducing Overfitting):<\/strong> Daha az parametre, a\u011f\u0131n e\u011fitim verilerine a\u015f\u0131r\u0131 uyum sa\u011flama olas\u0131l\u0131\u011f\u0131n\u0131 azalt\u0131r ve genelleme yetene\u011fini art\u0131r\u0131r.<\/p>\nHavuzlama T\u00fcrleri<\/h3>\n
1. Maksimum Havuzlama (Max Pooling)<\/h4>\n
\n* Avantajlar\u0131:<\/strong>
\n * Belirgin \u00d6zellikleri Koruma:<\/strong> Bir b\u00f6lgedeki en \u00f6nemli veya en aktif \u00f6zelli\u011fi korur, di\u011ferlerinin g\u00fcr\u00fclt\u00fc olabilece\u011fi varsay\u0131l\u0131r.
\n * Keskinlik:<\/strong> \u00d6zellik haritas\u0131ndaki keskin kenarlar, k\u00f6\u015feler gibi y\u00fcksek aktivasyonlu b\u00f6lgeleri iyi korur.
\n * Etkili Boyut Azaltma:<\/strong> G\u00f6r\u00fcnt\u00fcdeki k\u00fc\u00e7\u00fck kaymalara kar\u015f\u0131 a\u011f\u0131n daha diren\u00e7li olmas\u0131n\u0131 sa\u011flar.
\n* Dezavantajlar\u0131:<\/strong>
\n * Bilgi Kayb\u0131:<\/strong> Pencere i\u00e7indeki di\u011fer de\u011ferler tamamen g\u00f6z ard\u0131 edildi\u011fi i\u00e7in \u00f6nemli miktarda bilgi kaybedilebilir. Bu, ince detaylar\u0131n kaybolmas\u0131na neden olabilir.
\n * Hassasiyet:<\/strong> Baz\u0131 durumlarda, maksimum de\u011ferin tek bir pikselden gelmesi, a\u011f\u0131n o pikseldeki g\u00fcr\u00fclt\u00fcye veya anormalli\u011fe kar\u015f\u0131 hassas olmas\u0131na neden olabilir.
\n* Uygulama Alanlar\u0131:<\/strong> Genellikle g\u00f6r\u00fcnt\u00fc s\u0131n\u0131fland\u0131rma ve nesne tan\u0131ma gibi g\u00f6revlerde kullan\u0131l\u0131r, \u00e7\u00fcnk\u00fc bu g\u00f6revlerde \u00f6nemli olan belirli bir \u00f6zelli\u011fin varl\u0131\u011f\u0131d\u0131r, tam konumu de\u011fil.<\/p>\n
\nGirdi \u00f6zellik haritas\u0131 (4×4):<\/p>\n[[1, 2, 3, 4],\n [5, 6, 7, 8],\n [9, 0, 1, 2],\n [3, 4, 5, 6]]<\/code><\/pre>\n
\n* \u0130lk 2×2 pencere [[1,2],[5,6]] -> max(1,2,5,6) = 6
\n* \u0130kinci 2×2 pencere [[3,4],[7,8]] -> max(3,4,7,8) = 8
\n* \u00dc\u00e7\u00fcnc\u00fc 2×2 pencere [[9,0],[3,4]] -> max(9,0,3,4) = 9
\n* D\u00f6rd\u00fcnc\u00fc 2×2 pencere [[1,2],[5,6]] -> max(1,2,5,6) = 6<\/p>\n[[6, 8],\n [9, 6]]<\/code><\/pre>\n2. Ortalama Havuzlama (Average Pooling)<\/h4>\n
\n* Avantajlar\u0131:<\/strong>
\n * Bilgi Koruma:<\/strong> Maksimum havuzlamaya g\u00f6re pencere i\u00e7indeki t\u00fcm piksellerden bilgi ald\u0131\u011f\u0131 i\u00e7in daha fazla bilgi korur.
\n * Daha Az G\u00fcr\u00fclt\u00fc Hassasiyeti:<\/strong> Tek bir pikselin a\u015f\u0131r\u0131 y\u00fcksek veya d\u00fc\u015f\u00fck de\u011ferinden etkilenmez, g\u00fcr\u00fclt\u00fcy\u00fc yumu\u015fatma e\u011filimindedir.
\n * Daha D\u00fczg\u00fcn \u00d6zellikler:<\/strong> \u00d6zellik haritas\u0131ndaki daha d\u00fczg\u00fcn, ortalama temsilleri yakalar.
\n* Dezavantajlar\u0131:<\/strong>
\n * \u00d6zellikleri Bulan\u0131kla\u015ft\u0131rma:<\/strong> Ortalama alma i\u015flemi, keskin \u00f6zellikleri veya en aktif b\u00f6lgeleri bulan\u0131kla\u015ft\u0131rabilir, bu da \u00f6nemli detaylar\u0131n kaybolmas\u0131na yol a\u00e7abilir.
\n * Daha Az Belirginlik:<\/strong> Maksimum havuzlama kadar belirgin \u00f6zellikleri vurgulamayabilir.
\n* Uygulama Alanlar\u0131:<\/strong> Genellikle nesne lokalizasyonu gibi g\u00f6revlerde veya a\u011f\u0131n daha derin katmanlar\u0131nda kullan\u0131l\u0131r. Ayr\u0131ca, \u00f6zellik haritas\u0131n\u0131n genel trendini yakalamak istendi\u011finde tercih edilebilir.<\/p>\n
\nAyn\u0131 girdi \u00f6zellik haritas\u0131 (4×4) \u00fczerinde 2×2’lik bir pencere ve 2’lik bir ad\u0131m ile ortalama havuzlama uyguland\u0131\u011f\u0131nda:
\n* \u0130lk 2×2 pencere [[1,2],[5,6]] -> avg(1,2,5,6) = (1+2+5+6)\/4 = 3.5
\n* \u0130kinci 2×2 pencere [[3,4],[7,8]] -> avg(3,4,7,8) = (3+4+7+8)\/4 = 5.5
\n* \u00dc\u00e7\u00fcnc\u00fc 2×2 pencere [[9,0],[3,4]] -> avg(9,0,3,4) = (9+0+3+4)\/4 = 4
\n* D\u00f6rd\u00fcnc\u00fc 2×2 pencere [[1,2],[5,6]] -> avg(1,2,5,6) = (1+2+5+6)\/4 = 3.5<\/p>\n[[3.5, 5.5],\n [4.0, 3.5]]<\/code><\/pre>\n3. Global Havuzlama (Global Pooling – Global Max\/Average Pooling)<\/h4>\n
\n* Avantajlar\u0131:<\/strong>
\n * En Y\u00fcksek Boyut Azaltma:<\/strong> Parametre say\u0131s\u0131n\u0131 en aza indirir, bu da a\u015f\u0131r\u0131 \u00f6\u011frenmeyi daha da azalt\u0131r.
\n * Girdi Boyutundan Ba\u011f\u0131ms\u0131zl\u0131k:<\/strong> Girdi g\u00f6r\u00fcnt\u00fcs\u00fcn\u00fcn boyutu ne olursa olsun, \u00e7\u0131kt\u0131 her zaman sabit boyutlu olur (kanal say\u0131s\u0131 kadar). Bu, farkl\u0131 boyutlardaki g\u00f6r\u00fcnt\u00fclerle \u00e7al\u0131\u015f\u0131rken a\u011f\u0131n esnekli\u011fini art\u0131r\u0131r.
\n * G\u00fc\u00e7l\u00fc D\u00fczenleyici Etki:<\/strong> A\u015f\u0131r\u0131 \u00f6\u011frenmeyi engellemede \u00e7ok etkilidir.
\n* Dezavantajlar\u0131:<\/strong>
\n * Uzamsal Bilgi Kayb\u0131:<\/strong> Bir \u00f6zelli\u011fin nerede bulundu\u011funa dair t\u00fcm uzamsal bilgiyi kaybeder.
\n* Uygulama Alanlar\u0131:<\/strong> Genellikle CNN’lerin son katmanlar\u0131nda, s\u0131n\u0131fland\u0131rma yapmadan hemen \u00f6nce kullan\u0131l\u0131r. ResNet, Inception gibi modern mimarilerde yayg\u0131n olarak g\u00f6r\u00fcl\u00fcr.<\/p>\n4. Di\u011fer Havuzlama Y\u00f6ntemleri<\/h4>\n
\n* Stokastik Havuzlama (Stochastic Pooling):<\/strong> Pencere i\u00e7indeki de\u011ferlerden olas\u0131l\u0131ksal olarak bir de\u011fer se\u00e7er. Daha rastgele bir boyut azaltma sa\u011flayarak a\u011f\u0131n genelleme yetene\u011fini art\u0131rabilir.
\n* Uzamsal Piramit Havuzlama (Spatial Pyramid Pooling – SPP):<\/strong> Farkl\u0131 boyutlardaki havuzlama pencerelerini ayn\u0131 anda kullanarak, farkl\u0131 uzamsal \u00f6l\u00e7eklerdeki \u00f6zellikleri yakalar. En \u00f6nemlisi, farkl\u0131 boyutlardaki girdi g\u00f6r\u00fcnt\u00fclerini i\u015fleyebilir ve sabit boyutlu bir \u00e7\u0131kt\u0131 \u00fcretebilir, bu da \u00f6zellikle nesne alg\u0131lama gibi g\u00f6revlerde faydal\u0131d\u0131r.
\n* \u00d6\u011frenilebilir Havuzlama (Learnable Pooling):<\/strong> Geleneksel havuzlama i\u015flemleri sabit (maksimum, ortalama) iken, \u00f6\u011frenilebilir havuzlama, havuzlama i\u015fleminin parametrelerini de a\u011f\u0131n geri kalan\u0131yla birlikte \u00f6\u011frenir.<\/p>\nHavuzlama Katmanlar\u0131n\u0131n Parametreleri<\/h3>\n
\n* Ad\u0131m (Stride):<\/strong> Havuzlama penceresinin \u00f6zellik haritas\u0131 \u00fczerinde ne kadar kayaca\u011f\u0131n\u0131 belirler. \u00d6rne\u011fin, 2×2’lik bir havuzlama penceresi ve 2’lik bir ad\u0131m, \u00f6zellik haritas\u0131n\u0131n boyutunu hem geni\u015flik hem de y\u00fckseklik a\u00e7\u0131s\u0131ndan yar\u0131ya indirir. Daha b\u00fcy\u00fck ad\u0131mlar daha fazla boyut azaltmaya yol a\u00e7ar.
\n* Doldurma (Padding):<\/strong> Havuzlama i\u015fleminde genellikle ‘ge\u00e7erli’ (valid) doldurma kullan\u0131l\u0131r, yani \u00f6zellik haritas\u0131n\u0131n kenarlar\u0131na s\u0131f\u0131r eklenmez. Bu, \u00e7\u0131kt\u0131n\u0131n boyutunun k\u00fc\u00e7\u00fclmesine neden olur. Nadiren ‘ayn\u0131’ (same) doldurma kullan\u0131labilir, bu da \u00e7\u0131kt\u0131n\u0131n boyutunun girdiyle ayn\u0131 kalmas\u0131n\u0131 sa\u011flar, ancak bu havuzlaman\u0131n temel boyut azaltma amac\u0131na ters d\u00fc\u015fer.<\/p>\n
\nBir girdi \u00f6zelli\u011finin boyutu $H \\times W$ olsun. Havuzlama penceresi boyutu $F \\times F$ ve ad\u0131m $S$ olsun. Doldurma yoksa (valid padding):
\n\u00c7\u0131kt\u0131 Y\u00fcksekli\u011fi: $H_{out} = \\lfloor \\frac{H – F}{S} \\rfloor + 1$
\n\u00c7\u0131kt\u0131 Geni\u015fli\u011fi: $W_{out} = \\lfloor \\frac{W – F}{S} \\rfloor + 1$
\nBurada $\\lfloor \\cdot \\rfloor$ taban fonksiyonunu (en yak\u0131n k\u00fc\u00e7\u00fck tam say\u0131) g\u00f6sterir.<\/p>\nHavuzlaman\u0131n Avantajlar\u0131 ve Ele\u015ftirileri<\/h3>\n
Avantajlar\u0131 Tekrar G\u00f6zden Ge\u00e7irme:<\/h4>\n
\n* Bellek Tasarrufu:<\/strong> Daha k\u00fc\u00e7\u00fck \u00f6zellik haritalar\u0131, daha az bellek t\u00fcketimi.
\n* \u00c7eviri De\u011fi\u015fmezli\u011fi:<\/strong> G\u00f6r\u00fcnt\u00fcdeki k\u00fc\u00e7\u00fck kaymalara kar\u015f\u0131 a\u011f\u0131n sa\u011flaml\u0131\u011f\u0131n\u0131 art\u0131r\u0131r.
\n* A\u015f\u0131r\u0131 \u00d6\u011frenmeyi Azaltma:<\/strong> Daha az parametre, daha iyi genelleme.
\n* \u00d6zellik Sa\u011flaml\u0131\u011f\u0131:<\/strong> G\u00fcr\u00fclt\u00fc ve k\u00fc\u00e7\u00fck bozulmalara kar\u015f\u0131 diren\u00e7.<\/p>\nDezavantajlar\u0131 ve Ele\u015ftirileri:<\/h4>\n
\n* Uzamsal Hiyerar\u015finin Bozulmas\u0131:<\/strong> Bir nesnenin farkl\u0131 par\u00e7alar\u0131 aras\u0131ndaki uzamsal ili\u015fkiler, havuzlama nedeniyle bozulabilir veya kaybolabilir. Bu, kaps\u00fcl a\u011flar\u0131 (Capsule Networks) gibi alternatif mimarilerin ortaya \u00e7\u0131kmas\u0131na neden olmu\u015ftur.
\n* \u00d6\u011frenilebilir Parametrelerin Yoklu\u011fu:<\/strong> Havuzlama i\u015flemleri genellikle sabit ve \u00f6\u011frenilemezdir (maksimum, ortalama gibi). Bu, a\u011f\u0131n bu katmanda veriden yeni bir \u015fey \u00f6\u011frenemedi\u011fi anlam\u0131na gelir. A\u011f\u0131n t\u00fcm bile\u015fenlerinin \u00f6\u011frenilebilir olmas\u0131 gerekti\u011fi fikri, havuzlaman\u0131n bu y\u00f6n\u00fcn\u00fc ele\u015ftirenlerin ana arg\u00fcmanlar\u0131ndan biridir.
\n* Detayl\u0131 G\u00f6revlerde Performans D\u00fc\u015f\u00fc\u015f\u00fc:<\/strong> Segmentasyon veya s\u00fcper \u00e7\u00f6z\u00fcn\u00fcrl\u00fck gibi piksel d\u00fczeyinde hassasiyet gerektiren g\u00f6revlerde, havuzlaman\u0131n neden oldu\u011fu bilgi kayb\u0131 performans\u0131 olumsuz etkileyebilir.<\/p>\nModern CNN Mimarilerinde Havuzlaman\u0131n Rol\u00fc ve Alternatifleri<\/h3>\n
\n* Dilitasyonlu Evri\u015fimler (Dilated Convolutions):<\/strong> “Atrous convolution” olarak da bilinen dilitasyonlu evri\u015fimler, uzamsal \u00e7\u00f6z\u00fcn\u00fcrl\u00fc\u011f\u00fc korurken al\u0131c\u0131 alan\u0131 (receptive field) geni\u015fletmeye olanak tan\u0131r. Bu, \u00f6zellikle segmentasyon gibi g\u00f6revlerde havuzlaman\u0131n neden oldu\u011fu bilgi kayb\u0131n\u0131 \u00f6nlemek i\u00e7in kullan\u0131\u015fl\u0131d\u0131r.
\n* Kaps\u00fcl A\u011flar\u0131 (Capsule Networks):<\/strong> Geoffrey Hinton taraf\u0131ndan \u00f6nerilen kaps\u00fcl a\u011flar\u0131, havuzlaman\u0131n neden oldu\u011fu uzamsal bilgi kayb\u0131 sorununa do\u011frudan bir \u00e7\u00f6z\u00fcm sunmay\u0131 ama\u00e7lar. Kaps\u00fcller, bir nesnenin farkl\u0131 \u00f6zelliklerini (konum, boyut, oryantasyon vb.) temsil eden bir vekt\u00f6r \u00e7\u0131kt\u0131s\u0131 verir ve “y\u00f6nlendirme-anla\u015fma” (routing-by-agreement) mekanizmas\u0131 ile uzamsal hiyerar\u015fiyi daha iyi korudu\u011fu iddia edilir.
\n* Global Ortalama Havuzlama (Global Average Pooling – GAP):<\/strong> ResNet ve Inception gibi a\u011flarda, son evri\u015fim katman\u0131ndan sonra tam ba\u011flant\u0131l\u0131 katmanlar yerine global ortalama havuzlama kullan\u0131lmas\u0131 yayg\u0131nla\u015fm\u0131\u015ft\u0131r. Bu, a\u011fdaki parametre say\u0131s\u0131n\u0131 \u00f6nemli \u00f6l\u00e7\u00fcde azalt\u0131r ve a\u015f\u0131r\u0131 \u00f6\u011frenmeyi engellerken, ayn\u0131 zamanda girdi boyutundan ba\u011f\u0131ms\u0131z bir \u00e7\u0131kt\u0131 sa\u011flar.<\/p>\nUygulama Detaylar\u0131 ve K\u00fct\u00fcphaneler<\/h3>\n
\n * tf.keras.layers.MaxPool2D(pool_size=(2, 2), strides=(2, 2), padding='valid')<\/code>
\n * tf.keras.layers.AveragePooling2D(pool_size=(2, 2), strides=(2, 2), padding='valid')<\/code>
\n * tf.keras.layers.GlobalAveragePooling2D()<\/code>
\n * tf.keras.layers.GlobalMaxPool2D()<\/code>
\n* PyTorch:<\/strong>
\n * torch.nn.MaxPool2d(kernel_size=2, stride=2)<\/code>
\n * torch.nn.AvgPool2d(kernel_size=2, stride=2)<\/code>
\n * torch.nn.AdaptiveAvgPool2d((1, 1))<\/code> (Global Average Pooling i\u00e7in)
\n * torch.nn.AdaptiveMaxPool2d((1, 1))<\/code> (Global Max Pooling i\u00e7in)<\/p>\nSonu\u00e7<\/h3>\n