Evri\u015fimli Sinir A\u011flar\u0131 (Convolutional Neural Networks – CNN), \u00f6zellikle g\u00f6r\u00fcnt\u00fc i\u015fleme ve bilgisayar g\u00f6r\u00fc\u015f\u00fc alanlar\u0131nda devrim yaratan derin \u00f6\u011frenme modelleridir. G\u00f6r\u00fcnt\u00fc s\u0131n\u0131fland\u0131rma, nesne tespiti, segmentasyon ve daha bir\u00e7ok karma\u015f\u0131k g\u00f6rsel g\u00f6revde insan\u00fcst\u00fc performans sergilemeleri, bu a\u011flar\u0131n temel yap\u0131 ta\u015flar\u0131 olan filtreler sayesinde m\u00fcmk\u00fcn olmaktad\u0131r. Filtreler, bir g\u00f6r\u00fcnt\u00fcn\u00fcn ham piksel verilerinden anlaml\u0131 ve hiyerar\u015fik \u00f6zellikler \u00e7\u0131karmak i\u00e7in tasarlanm\u0131\u015f \u00f6\u011frenilebilir matrislerdir. Bu makalede, CNN’lerin kalbinde yer alan filtrelerin ne oldu\u011funu, nas\u0131l \u00e7al\u0131\u015ft\u0131klar\u0131n\u0131, farkl\u0131 t\u00fcrlerini, \u00f6zellik \u00e7\u0131kar\u0131m\u0131ndaki rollerini ve evri\u015fimli a\u011flar\u0131n genel mimarisindeki yerlerini ayr\u0131nt\u0131l\u0131 bir \u015fekilde inceleyece\u011fiz.<\/p>\n
Evri\u015fimli Sinir A\u011flar\u0131, geleneksel sinir a\u011flar\u0131n\u0131n g\u00f6r\u00fcnt\u00fc verileriyle ba\u015fa \u00e7\u0131kmada kar\u015f\u0131la\u015ft\u0131\u011f\u0131 zorluklar\u0131 a\u015fmak i\u00e7in \u00f6zel olarak tasarlanm\u0131\u015ft\u0131r. G\u00f6r\u00fcnt\u00fcler, y\u00fcksek boyutlu veri k\u00fcmeleridir; \u00f6rne\u011fin, 224×224 piksellik bir RGB g\u00f6r\u00fcnt\u00fc, 224 224 <\/em> 3 = 150,528 boyutlu bir vekt\u00f6re d\u00f6n\u00fc\u015ft\u00fcr\u00fclebilir. Geleneksel tam ba\u011fl\u0131 (fully connected) bir sinir a\u011f\u0131 bu kadar b\u00fcy\u00fck bir girdiyle \u00e7al\u0131\u015f\u0131rken \u00e7ok say\u0131da parametreye ihtiya\u00e7 duyar, bu da hesaplama maliyetini art\u0131r\u0131r ve a\u015f\u0131r\u0131 \u00f6\u011frenme (overfitting) riskini y\u00fckseltir. CNN’ler ise yerel ba\u011flant\u0131, a\u011f\u0131rl\u0131k payla\u015f\u0131m\u0131 ve havuzlama (pooling) gibi mekanizmalarla bu sorunlar\u0131 etkin bir \u015fekilde \u00e7\u00f6zer.<\/p>\n Geleneksel tam ba\u011fl\u0131 sinir a\u011flar\u0131, her bir girdi n\u00f6ronunun bir sonraki katmandaki her n\u00f6rona ba\u011fland\u0131\u011f\u0131 bir yap\u0131ya sahiptir. Bu, g\u00f6r\u00fcnt\u00fc gibi y\u00fcksek boyutlu verilerde milyonlarca parametre anlam\u0131na gelir. Ayr\u0131ca, bu a\u011flar g\u00f6r\u00fcnt\u00fclerdeki uzamsal hiyerar\u015fiyi (\u00f6rne\u011fin, bir kenar\u0131n bir g\u00f6z\u00fcn par\u00e7as\u0131 olmas\u0131, bir g\u00f6z\u00fcn bir y\u00fcz\u00fcn par\u00e7as\u0131 olmas\u0131) do\u011fal olarak yakalayamazlar.<\/p>\n CNN’ler ise, “yerel ba\u011flant\u0131” ilkesini benimser. Her bir n\u00f6ron, girdinin sadece belirli bir b\u00f6lgesine (yerel alg\u0131 alan\u0131 veya receptive field) ba\u011flan\u0131r. Bu, bir filtrenin g\u00f6r\u00fcnt\u00fcn\u00fcn sadece k\u00fc\u00e7\u00fck bir b\u00f6l\u00fcm\u00fcne odaklanmas\u0131 anlam\u0131na gelir. “A\u011f\u0131rl\u0131k payla\u015f\u0131m\u0131” ise, ayn\u0131 filtrenin g\u00f6r\u00fcnt\u00fcn\u00fcn farkl\u0131 b\u00f6lgelerinde ayn\u0131 a\u011f\u0131rl\u0131klarla kullan\u0131lmas\u0131d\u0131r. Bu iki \u00f6zellik, parametre say\u0131s\u0131n\u0131 \u00f6nemli \u00f6l\u00e7\u00fcde azalt\u0131rken, a\u011f\u0131n g\u00f6r\u00fcnt\u00fclerdeki yerel desenleri ve \u00f6zellikleri etkili bir \u015fekilde \u00f6\u011frenmesini sa\u011flar.<\/p>\n Evri\u015fim i\u015flemi, bir g\u00f6r\u00fcnt\u00fcy\u00fc (girdi matrisi) bir filtre (\u00e7ekirdek veya kernel olarak da adland\u0131r\u0131l\u0131r) ile kayd\u0131rarak ve element-wise \u00e7arp\u0131m ve toplama yaparak yeni bir \u00f6zellik haritas\u0131 (feature map veya aktivasyon haritas\u0131) olu\u015fturma s\u00fcrecidir. Matematiksel olarak, iki fonksiyonun birinin ters \u00e7evrilip di\u011ferinin \u00fczerinden kayd\u0131r\u0131lmas\u0131 ve her noktada \u00e7arp\u0131mlar\u0131n integralinin al\u0131nmas\u0131 olarak tan\u0131mlansa da, CNN ba\u011flam\u0131nda bu i\u015flem, bir filtrenin g\u00f6r\u00fcnt\u00fcn\u00fcn \u00fczerinde ad\u0131m ad\u0131m kayd\u0131r\u0131lmas\u0131 ve her konumda yerel piksellerle filtrenin a\u011f\u0131rl\u0131klar\u0131n\u0131n \u00e7arp\u0131l\u0131p toplanmas\u0131 \u015feklinde g\u00f6rselle\u015ftirilebilir.<\/p>\n Bu i\u015flem sonucunda elde edilen \u00f6zellik haritas\u0131, girdinin belirli bir \u00f6zelli\u011finin (\u00f6rne\u011fin, dikey bir kenar) g\u00f6r\u00fcnt\u00fcdeki varl\u0131\u011f\u0131n\u0131 ve konumunu g\u00f6sterir. Filtrenin a\u011f\u0131rl\u0131klar\u0131, bu \u00f6zelli\u011fi ne kadar iyi tan\u0131d\u0131\u011f\u0131n\u0131 belirler. \u00d6rne\u011fin, dikey kenarlar\u0131 alg\u0131lamak \u00fczere tasarlanm\u0131\u015f bir filtre, g\u00f6r\u00fcnt\u00fcde dikey bir kenar\u0131n oldu\u011fu yerde \u00f6zellik haritas\u0131nda y\u00fcksek bir aktivasyon de\u011feri \u00fcretecektir.<\/p>\n Filtreler, CNN’lerin g\u00f6r\u00fcnt\u00fcdeki desenleri, dokular\u0131 ve yap\u0131lar\u0131 anlamas\u0131n\u0131 sa\u011flayan temel bile\u015fenlerdir. Her filtre, bir t\u00fcr “desen tan\u0131y\u0131c\u0131” veya “\u00f6zellik dedekt\u00f6r\u00fc” gibi i\u015flev g\u00f6r\u00fcr.<\/p>\n Bir filtre (veya \u00e7ekirdek), genellikle k\u00fc\u00e7\u00fck boyutlu (\u00f6rne\u011fin, 3×3, 5×5 veya 7×7) bir matristir. Bu matrisin i\u00e7indeki de\u011ferler, a\u011f\u0131n e\u011fitimi s\u0131ras\u0131nda \u00f6\u011frenilen parametrelerdir. Her filtre, g\u00f6r\u00fcnt\u00fcdeki belirli bir g\u00f6rsel \u00f6zelli\u011fi (\u00f6rne\u011fin, yatay bir kenar, dikey bir kenar, bir k\u00f6\u015fe, belirli bir doku veya renk gradyan\u0131) alg\u0131lamak \u00fczere \u00f6zelle\u015fir.<\/p>\n Filtreler, girdi g\u00f6r\u00fcnt\u00fcs\u00fcn\u00fcn \u00fczerinde kayd\u0131r\u0131l\u0131rken, filtrenin pikselleri ile g\u00f6r\u00fcnt\u00fcn\u00fcn o anki \u00f6rt\u00fc\u015fen b\u00f6lgesindeki pikseller aras\u0131nda element-wise \u00e7arp\u0131m yap\u0131l\u0131r ve bu \u00e7arp\u0131mlar\u0131n sonu\u00e7lar\u0131 toplan\u0131r. Bu toplam, \u00f6zellik haritas\u0131ndaki tek bir piksel de\u011ferini olu\u015fturur. Bu s\u00fcre\u00e7, filtrenin t\u00fcm g\u00f6r\u00fcnt\u00fc \u00fczerinde kayd\u0131r\u0131lmas\u0131yla devam eder ve sonu\u00e7 olarak, filtrenin alg\u0131lamaya \u00e7al\u0131\u015ft\u0131\u011f\u0131 \u00f6zelli\u011fin g\u00f6r\u00fcnt\u00fcdeki varl\u0131\u011f\u0131n\u0131 g\u00f6steren bir \u00f6zellik haritas\u0131 elde edilir.<\/p>\n Filtreler genellikle kare \u015feklindedir (NxN). En yayg\u0131n boyutlar 3×3 ve 5×5’tir. Daha k\u00fc\u00e7\u00fck filtreler, daha ince detaylar\u0131 yakalamaya ve daha az parametre kullanmaya olanak tan\u0131rken, daha b\u00fcy\u00fck filtreler daha geni\u015f bir alg\u0131 alan\u0131na sahip olabilir.<\/p>\n Filtrelerin bir di\u011fer \u00f6nemli boyutu ise derinli\u011fidir. E\u011fer girdi g\u00f6r\u00fcnt\u00fcs\u00fc \u00e7ok kanall\u0131ysa (\u00f6rne\u011fin, RGB g\u00f6r\u00fcnt\u00fc i\u00e7in 3 kanal), filtre de ayn\u0131 derinli\u011fe sahip olmal\u0131d\u0131r. Yani, 3 kanall\u0131 bir g\u00f6r\u00fcnt\u00fc i\u00e7in 3×3 boyutlu bir filtre asl\u0131nda 3x3x3 boyutlu bir k\u00fcp \u015feklindedir. Her bir kanal i\u00e7in ayr\u0131 ayr\u0131 evri\u015fim yap\u0131l\u0131r ve sonu\u00e7lar toplanarak tek bir \u00e7\u0131kt\u0131 de\u011feri elde edilir. Bu, filtrenin sadece uzamsal desenleri de\u011fil, ayn\u0131 zamanda renk kanallar\u0131 aras\u0131ndaki ili\u015fkileri de \u00f6\u011frenmesini sa\u011flar.<\/p>\n Bir filtrenin \u00e7al\u0131\u015fma prensibini basitle\u015ftirilmi\u015f bir \u00f6rnekle a\u00e7\u0131klayabiliriz: Filtrelerin temel amac\u0131, ham g\u00f6r\u00fcnt\u00fc verilerinden anlaml\u0131 ve temsili \u00f6zellikleri otomatik olarak \u00e7\u0131karmakt\u0131r. Bu \u00f6zellikler, daha sonraki s\u0131n\u0131fland\u0131rma veya regresyon g\u00f6revleri i\u00e7in modelin \u00f6\u011frenme s\u00fcrecine yard\u0131mc\u0131 olur.<\/p>\n CNN’lerin ilk katmanlar\u0131ndaki filtreler genellikle d\u00fc\u015f\u00fck seviyeli, temel g\u00f6rsel \u00f6zellikleri alg\u0131lamak \u00fczere e\u011fitilir. Bu \u00f6zellikler \u015funlar\u0131 i\u00e7erebilir: Bu ilk katman filtreleri genellikle do\u011frudan g\u00f6rselle\u015ftirildi\u011finde anla\u015f\u0131lmas\u0131 kolayd\u0131r. \u00d6rne\u011fin, dikey kenar alg\u0131layan bir filtre, bir taraf\u0131 pozitif di\u011fer taraf\u0131 negatif a\u011f\u0131rl\u0131klara sahip s\u00fctunlardan olu\u015fabilir.<\/p>\n CNN’lerin derinle\u015fen katmanlar\u0131nda, filtreler daha soyut ve karma\u015f\u0131k \u00f6zellikleri alg\u0131lamaya ba\u015flar. Bu, a\u011f\u0131n hiyerar\u015fik \u00f6\u011frenme yetene\u011finin bir sonucudur: CNN’lerin en g\u00fc\u00e7l\u00fc y\u00f6nlerinden biri, hiyerar\u015fik \u00f6zellik \u00f6\u011frenme yetenekleridir. \u0130lk katmanlar, ham piksellerden d\u00fc\u015f\u00fck seviyeli \u00f6zellikleri (kenarlar, k\u00f6\u015feler) \u00e7\u0131kar\u0131r. Bu d\u00fc\u015f\u00fck seviyeli \u00f6zellikler, bir sonraki katman\u0131n girdisi haline gelir. \u0130kinci katmandaki filtreler, bu d\u00fc\u015f\u00fck seviyeli \u00f6zellikleri birle\u015ftirerek daha karma\u015f\u0131k, orta seviyeli \u00f6zellikleri (\u00f6rne\u011fin, nesne par\u00e7alar\u0131) \u00f6\u011frenir. Bu s\u00fcre\u00e7, a\u011f\u0131n derinliklerine do\u011fru devam eder, her katman bir \u00f6nceki katman\u0131n \u00f6\u011frendi\u011fi \u00f6zellikler \u00fczerine in\u015fa ederek giderek daha soyut ve anlamsal \u00f6zellikler \u00f6\u011frenir. Bu hiyerar\u015fik yap\u0131, CNN’lerin g\u00f6r\u00fcnt\u00fcdeki karma\u015f\u0131k ili\u015fkileri ve yap\u0131lar\u0131 etkili bir \u015fekilde anlamas\u0131n\u0131 sa\u011flar.<\/p>\n Bir evri\u015fim katman\u0131 sadece tek bir filtreden ibaret de\u011fildir; genellikle birden fazla filtre ve ek i\u015flemler i\u00e7erir.<\/p>\n Bir evri\u015fim katman\u0131nda genellikle birden fazla filtre kullan\u0131l\u0131r. Bunun nedeni, bir g\u00f6r\u00fcnt\u00fcn\u00fcn sadece bir t\u00fcr \u00f6zelli\u011fe sahip olmamas\u0131d\u0131r. \u00d6rne\u011fin, bir g\u00f6r\u00fcnt\u00fcde hem dikey kenarlar, hem yatay kenarlar, hem de farkl\u0131 doku desenleri bulunabilir. Her bir filtre, farkl\u0131 bir \u00f6zelli\u011fi alg\u0131lamak \u00fczere e\u011fitilir.<\/p>\n E\u011fer bir evri\u015fim katman\u0131nda $K$ adet filtre kullan\u0131l\u0131yorsa, bu katman\u0131n \u00e7\u0131kt\u0131s\u0131 $K$ adet \u00f6zellik haritas\u0131ndan olu\u015fan bir y\u0131\u011f\u0131n olacakt\u0131r. Her bir \u00f6zellik haritas\u0131, belirli bir filtrenin alg\u0131lad\u0131\u011f\u0131 \u00f6zelli\u011fin g\u00f6r\u00fcnt\u00fcdeki varl\u0131\u011f\u0131n\u0131 temsil eder. Bu \u00f6zellik haritas\u0131 y\u0131\u011f\u0131n\u0131, bir sonraki evri\u015fim katman\u0131 veya havuzlama katman\u0131 i\u00e7in girdi olarak kullan\u0131l\u0131r. Bu \u015fekilde, a\u011f, her katmanda g\u00f6r\u00fcnt\u00fcn\u00fcn farkl\u0131 ve zengin bir temsilini olu\u015fturur.<\/p>\n Evri\u015fim i\u015flemi s\u0131ras\u0131nda iki \u00f6nemli hiperparametre, \u00e7\u0131kt\u0131 \u00f6zellik haritas\u0131n\u0131n boyutunu ve filtrenin g\u00f6r\u00fcnt\u00fcy\u00fc nas\u0131l tarad\u0131\u011f\u0131n\u0131 etkiler: Evri\u015fim katman\u0131n\u0131n \u00e7\u0131kt\u0131s\u0131 genellikle bir aktivasyon fonksiyonundan ge\u00e7irilir. En yayg\u0131n kullan\u0131lan aktivasyon fonksiyonlar\u0131ndan biri Do\u011frultulmu\u015f Do\u011frusal Birim (Rectified Linear Unit – ReLU)’dur. ReLU, negatif de\u011ferleri s\u0131f\u0131ra ayarlar ve pozitif de\u011ferleri oldu\u011fu gibi b\u0131rak\u0131r. CNN’lerdeki filtrelerin a\u011f\u0131rl\u0131klar\u0131, a\u011f\u0131n e\u011fitimi s\u0131ras\u0131nda otomatik olarak \u00f6\u011frenilir. Bu, geleneksel g\u00f6r\u00fcnt\u00fc i\u015fleme y\u00f6ntemlerinden (manuel olarak filtre tasarlama) en b\u00fcy\u00fck fark\u0131d\u0131r ve CNN’leri bu kadar g\u00fc\u00e7l\u00fc k\u0131lan temel fakt\u00f6rd\u00fcr.<\/p>\n Filtre a\u011f\u0131rl\u0131klar\u0131n\u0131n \u00f6\u011frenilmesi, denetimli \u00f6\u011frenme prensiplerine dayan\u0131r: \u00d6\u011frenme oran\u0131, gradyan ini\u015fi s\u0131ras\u0131nda a\u011f\u0131rl\u0131klar\u0131n ne kadar b\u00fcy\u00fck ad\u0131mlarla g\u00fcncellenece\u011fini belirleyen kritik bir hiperparametredir. Filtrelerin etkili ve genellenebilir \u00f6zellikler \u00f6\u011frenmesi i\u00e7in, a\u011f\u0131n geni\u015f ve \u00e7e\u015fitli bir veri k\u00fcmesi \u00fczerinde e\u011fitilmesi hayati \u00f6nem ta\u015f\u0131r. Yeterince \u00e7e\u015fitli olmayan bir veri k\u00fcmesi, filtrelere sadece belirli \u00f6rneklerdeki \u00f6zellikleri \u00f6\u011frenme e\u011filimi verebilir, bu da modelin yeni, daha \u00f6nce g\u00f6rmedi\u011fi verilere genelleme yetene\u011fini azalt\u0131r (a\u015f\u0131r\u0131 \u00f6\u011frenme). B\u00fcy\u00fck ve etiketli veri k\u00fcmeleri (ImageNet gibi), CNN’lerin karma\u015f\u0131k ve g\u00fc\u00e7l\u00fc filtreler \u00f6\u011frenmesini sa\u011flam\u0131\u015ft\u0131r.<\/p>\n CNN’lerin “kara kutu” do\u011fas\u0131n\u0131 anlamak ve filtrelerin ne \u00f6\u011frendi\u011fini yorumlamak, modelin g\u00fcvenilirli\u011fini art\u0131rmak ve hata ay\u0131klamak i\u00e7in \u00f6nemlidir.<\/p>\n Bir CNN’in ilk katmanlar\u0131ndaki filtreleri do\u011frudan g\u00f6rselle\u015ftirmek genellikle m\u00fcmk\u00fcnd\u00fcr. 3 kanall\u0131 (RGB) bir girdi i\u00e7in bir filtre, 3x3x3 boyutunda bir k\u00fcp olaca\u011f\u0131ndan, her bir kanal\u0131n a\u011f\u0131rl\u0131klar\u0131n\u0131 ayr\u0131 ayr\u0131 veya birle\u015ftirerek bir renk yamas\u0131 olarak g\u00f6sterebiliriz. Bir girdi g\u00f6r\u00fcnt\u00fcs\u00fc verildi\u011finde, belirli bir katmandaki ve belirli bir filtreden ge\u00e7en aktivasyon haritas\u0131n\u0131 g\u00f6rselle\u015ftirmek, filtrenin g\u00f6r\u00fcnt\u00fcn\u00fcn hangi b\u00f6lgelerine tepki verdi\u011fini anlamam\u0131z\u0131 sa\u011flar. S\u0131n\u0131f Aktivasyon Haritalar\u0131 (CAM) ve onun genelle\u015ftirilmi\u015f versiyonu Grad-CAM gibi teknikler, bir CNN’in belirli bir s\u0131n\u0131fland\u0131rma karar\u0131 verirken g\u00f6r\u00fcnt\u00fcn\u00fcn hangi b\u00f6lgelerine “bakt\u0131\u011f\u0131n\u0131” g\u00f6stererek yorumlanabilir yapay zeka (XAI) alan\u0131nda \u00f6nemli bir rol oynar. Standart evri\u015fim filtrelerinin yan\u0131 s\u0131ra, CNN mimarilerini daha verimli veya daha g\u00fc\u00e7l\u00fc hale getirmek i\u00e7in \u00e7e\u015fitli geli\u015fmi\u015f filtre konseptleri geli\u015ftirilmi\u015ftir.<\/p>\n Dile edilmi\u015f evri\u015fimler (atrous convolutions olarak da bilinir), filtrenin a\u011f\u0131rl\u0131klar\u0131 aras\u0131na “bo\u015fluklar” (s\u0131f\u0131rlar) ekleyerek filtrenin alg\u0131 alan\u0131n\u0131 (receptive field) geni\u015fletir. Bu, \u00e7\u0131kt\u0131 \u00f6zellik haritas\u0131n\u0131n uzamsal \u00e7\u00f6z\u00fcn\u00fcrl\u00fc\u011f\u00fcn\u00fc (boyutunu) azaltmadan daha geni\u015f bir ba\u011flamdan bilgi toplamas\u0131na olanak tan\u0131r. Derinlemesine ayr\u0131labilir evri\u015fimler, standart evri\u015fim i\u015flemini iki ayr\u0131 ad\u0131ma ay\u0131rarak parametre say\u0131s\u0131n\u0131 ve hesaplama maliyetini \u00f6nemli \u00f6l\u00e7\u00fcde azalt\u0131r: 1×1 evri\u015fimler, filtre boyutu 1×1 olan \u00f6zel bir evri\u015fim t\u00fcr\u00fcd\u00fcr. \u0130lk bak\u0131\u015fta anlams\u0131z gibi g\u00f6r\u00fcnse de, derin \u00f6\u011frenmede \u00e7ok \u00f6nemli i\u015flevlere sahiptir: Transpoze evri\u015fimler (genellikle “dekonvol\u00fcsyon” olarak yanl\u0131\u015f adland\u0131r\u0131l\u0131r, ancak ters evri\u015fim de\u011fildir), bir evri\u015fim i\u015fleminin tersi gibi hareket ederek girdi \u00f6zellik haritas\u0131n\u0131n uzamsal boyutunu b\u00fcy\u00fct\u00fcr. Filtreler, Evri\u015fimli Sinir A\u011flar\u0131n\u0131n (CNN) temelini olu\u015fturan ve onlar\u0131n g\u00f6r\u00fcnt\u00fc verilerini anlama yetene\u011finin merkezinde yer alan \u00f6\u011frenilebilir matrislerdir. Ham piksel verilerinden ba\u015flayarak, kenarlar, dokular, nesne par\u00e7alar\u0131 ve nihayetinde tam nesneler gibi hiyerar\u015fik ve giderek daha karma\u015f\u0131k \u00f6zellikleri otomatik olarak \u00e7\u0131kar\u0131rlar. Bu otomatik \u00f6zellik \u00e7\u0131kar\u0131m\u0131, CNN’lerin geleneksel g\u00f6r\u00fcnt\u00fc i\u015fleme y\u00f6ntemlerine g\u00f6re \u00fcst\u00fcn performans sergilemesinin ana nedenidir.<\/p>\n Evri\u015fim i\u015flemi, filtrelerin girdi \u00fczerinde kayd\u0131r\u0131lmas\u0131yla \u00f6zellik haritalar\u0131 olu\u015fturarak \u00e7al\u0131\u015f\u0131r. Stride ve padding gibi hiperparametreler, bu i\u015flemin \u00e7\u0131kt\u0131s\u0131n\u0131 \u015fekillendirirken, ReLU gibi aktivasyon fonksiyonlar\u0131 a\u011fa do\u011frusals\u0131zl\u0131k katar. Filtrelerin a\u011f\u0131rl\u0131klar\u0131, geri yay\u0131l\u0131m ve gradyan ini\u015fi algoritmalar\u0131 arac\u0131l\u0131\u011f\u0131yla geni\u015f veri k\u00fcmeleri \u00fczerinde e\u011fitilerek optimize edilir.<\/p>\n Filtrelerin g\u00f6rselle\u015ftirilmesi ve aktivasyon haritalar\u0131n\u0131n incelenmesi, bu “kara kutu” modellerin ne \u00f6\u011frendi\u011fini anlamak i\u00e7in kritik \u00f6neme sahiptir. Grad-CAM gibi teknikler, modelin kararlar\u0131n\u0131 yorumlanabilir hale getirerek yapay zekan\u0131n \u015feffafl\u0131\u011f\u0131n\u0131 art\u0131r\u0131r. Dile edilmi\u015f, derinlemesine ayr\u0131labilir ve 1×1 evri\u015fimler gibi geli\u015fmi\u015f filtre konseptleri, CNN mimarilerini daha verimli, daha h\u0131zl\u0131 ve daha g\u00fc\u00e7l\u00fc hale getirerek yeni uygulama alanlar\u0131n\u0131n kap\u0131lar\u0131n\u0131 a\u00e7m\u0131\u015ft\u0131r.<\/p>\n Sonu\u00e7 olarak, filtreler sadece matematiksel operasyonlar de\u011fildir; onlar, makinelerin d\u00fcnyay\u0131 g\u00f6rsel olarak alg\u0131lamas\u0131n\u0131 ve yorumlamas\u0131n\u0131 sa\u011flayan “g\u00f6zler” ve “beyin” aras\u0131ndaki ba\u011flant\u0131y\u0131 kuran temel bile\u015fenlerdir. CNN’lerin s\u00fcrekli geli\u015fimi ve yeni filtre konseptlerinin ortaya \u00e7\u0131kmas\u0131, bilgisayar g\u00f6r\u00fc\u015f\u00fc alan\u0131ndaki ilerlemelerin h\u0131z kesmeden devam edece\u011fini g\u00f6stermektedir.<\/body><\/p>\n","protected":false},"excerpt":{"rendered":"Evri\u015fimli Sinir A\u011flar\u0131nda (CNN) Filtreleri Anlamak Evri\u015fimli Sinir A\u011flar\u0131 (Convolutional Neural Networks – CNN), \u00f6zellikle g\u00f6r\u00fcnt\u00fc i\u015fleme ve bilgisayar g\u00f6r\u00fc\u015f\u00fc alanlar\u0131nda devrim yaratan derin \u00f6\u011frenme modelleridir.","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-41152","1":"post","2":"type-post","3":"status-publish","4":"format-standard","6":"category-genel","7":"cs-entry","8":"cs-video-wrap"},"yoast_head":"\nGeleneksel Sinir A\u011flar\u0131ndan Fark\u0131<\/h4>\n
Evri\u015fim \u0130\u015flemi Nedir?<\/h4>\n
Filtreler: CNN’in Kalbi<\/h3>\n
Filtre Nedir?<\/h4>\n
Filtrelerin Yap\u0131s\u0131 ve Boyutlar\u0131<\/h4>\n
Tek Bir Filtrenin \u00c7al\u0131\u015fma Prensibi<\/h4>\n
\n1. Girdi G\u00f6r\u00fcnt\u00fcs\u00fc:<\/strong> \u00d6rne\u011fin, 6×6 piksel boyutunda tek kanall\u0131 (gri tonlamal\u0131) bir g\u00f6r\u00fcnt\u00fc.
\n2. Filtre:<\/strong> \u00d6rne\u011fin, 3×3 boyutunda bir filtre matrisi. Bu matrisin i\u00e7indeki de\u011ferler, kenar alg\u0131lama gibi belirli bir g\u00f6revi yerine getirecek \u015fekilde ayarlanm\u0131\u015ft\u0131r (ba\u015flang\u0131\u00e7ta rastgele, e\u011fitimle \u00f6\u011frenilir).
\n3. Kayd\u0131rma:<\/strong> Filtre, g\u00f6r\u00fcnt\u00fcn\u00fcn sol \u00fcst k\u00f6\u015fesinden ba\u015flayarak sa\u011fa do\u011fru ve sonra a\u015fa\u011f\u0131ya do\u011fru kayd\u0131r\u0131l\u0131r.
\n4. Evri\u015fim:<\/strong> Filtre g\u00f6r\u00fcnt\u00fcn\u00fcn belirli bir b\u00f6lgesine geldi\u011finde, filtrenin her bir eleman\u0131, \u00f6rt\u00fc\u015fen g\u00f6r\u00fcnt\u00fc pikseliyle \u00e7arp\u0131l\u0131r. Bu \u00e7arp\u0131mlar\u0131n hepsi toplan\u0131r.
\n5. \u00d6zellik Haritas\u0131:<\/strong> Elde edilen toplam, yeni olu\u015fturulan \u00f6zellik haritas\u0131n\u0131n ilgili konumundaki piksel de\u011feri olur.
\nBu i\u015flem, filtrenin t\u00fcm g\u00f6r\u00fcnt\u00fc \u00fczerinde kayd\u0131r\u0131lmas\u0131yla tekrarlan\u0131r ve sonu\u00e7 olarak, orijinal g\u00f6r\u00fcnt\u00fcden daha k\u00fc\u00e7\u00fck (padding kullan\u0131lmazsa) bir \u00f6zellik haritas\u0131 elde edilir. Bu harita, filtrenin alg\u0131lad\u0131\u011f\u0131 \u00f6zelli\u011fin g\u00f6r\u00fcnt\u00fcdeki yo\u011funlu\u011funu g\u00f6sterir.<\/p>\nFiltrelerin \u00d6zellik \u00c7\u0131kar\u0131m\u0131 (Feature Extraction) Rol\u00fc<\/h3>\n
D\u00fc\u015f\u00fck Seviyeli \u00d6zellikler<\/h4>\n
\n* Kenarlar:<\/strong> Dikey, yatay, diyagonal kenarlar. Bir g\u00f6r\u00fcnt\u00fcn\u00fcn en temel yap\u0131 ta\u015flar\u0131ndan biridir. \u00d6rne\u011fin, Sobel veya Prewitt operat\u00f6rleri gibi geleneksel g\u00f6r\u00fcnt\u00fc i\u015fleme algoritmalar\u0131 da benzer kenar alg\u0131lama filtreleri kullan\u0131r.
\n* K\u00f6\u015feler:<\/strong> \u0130ki kenar\u0131n kesi\u015fti\u011fi noktalar.
\n* Basit Dokular:<\/strong> Belirli bir y\u00f6nde tekrarlayan desenler veya basit renk ge\u00e7i\u015fleri.
\n* Renk Bloblar\u0131:<\/strong> Belirli bir rengin yo\u011fun oldu\u011fu b\u00f6lgeler.<\/p>\nY\u00fcksek Seviyeli \u00d6zellikler<\/h4>\n
\n* Nesne Par\u00e7alar\u0131:<\/strong> Orta katmanlardaki filtreler, g\u00f6zler, burunlar, tekerlekler, kulaklar gibi nesnelerin belirgin par\u00e7alar\u0131n\u0131 veya belirli bir dokuya sahip y\u00fczeyleri alg\u0131layabilir. \u00d6rne\u011fin, bir y\u00fcz tan\u0131ma g\u00f6revinde, bir filtre “g\u00f6z” desenini, ba\u015fka bir filtre “burun” desenini \u00f6\u011frenmi\u015f olabilir.
\n* Nesnelerin Tamam\u0131:<\/strong> En son evri\u015fim katmanlar\u0131ndaki filtreler, karma\u015f\u0131k nesnelerin veya sahnelerin tamam\u0131n\u0131 alg\u0131layabilir. \u00d6rne\u011fin, bir kedi g\u00f6r\u00fcnt\u00fcs\u00fcnde, son katmanlardaki bir filtre “kedi” kavram\u0131na kar\u015f\u0131l\u0131k gelen t\u00fcm g\u00f6rsel ipu\u00e7lar\u0131n\u0131 bir araya getirebilir.
\n* Soyut Temsiller:<\/strong> \u00c7ok derin katmanlardaki filtreler, insan taraf\u0131ndan do\u011frudan yorumlanmas\u0131 zor olan, ancak s\u0131n\u0131fland\u0131rma i\u00e7in kritik \u00f6neme sahip soyut temsiller \u00f6\u011frenir. Bu temsiller, nesnelerin farkl\u0131 a\u00e7\u0131lardan, ayd\u0131nlatma ko\u015fullar\u0131ndan veya ba\u011flamlardan tan\u0131nmas\u0131n\u0131 sa\u011flar.<\/p>\nHiyerar\u015fik \u00d6zellik \u00d6\u011frenimi<\/h4>\n
Evri\u015fim Katman\u0131ndaki Filtrelerin Mimarisi<\/h3>\n
\u00c7oklu Filtreler ve \u00d6zellik Haritalar\u0131<\/h4>\n
Stride (Ad\u0131m) ve Padding (Dolgu)<\/h4>\n
\n* Stride (Ad\u0131m):<\/strong> Filtrenin g\u00f6r\u00fcnt\u00fc \u00fczerinde her seferinde ka\u00e7 piksel kayaca\u011f\u0131n\u0131 belirler. Varsay\u0131lan olarak stride 1’dir, yani filtre her seferinde 1 piksel kayar. Stride de\u011feri 1’den b\u00fcy\u00fck oldu\u011funda (\u00f6rne\u011fin, stride 2), filtre daha b\u00fcy\u00fck ad\u0131mlarla kayar, bu da \u00e7\u0131kt\u0131 \u00f6zellik haritas\u0131n\u0131n boyutunu k\u00fc\u00e7\u00fclt\u00fcr. Bu, a\u011f\u0131n daha derin katmanlar\u0131nda uzamsal \u00e7\u00f6z\u00fcn\u00fcrl\u00fc\u011f\u00fc azaltmak ve hesaplama maliyetini d\u00fc\u015f\u00fcrmek i\u00e7in kullan\u0131labilir.
\n* Padding (Dolgu):<\/strong> Evri\u015fim i\u015flemi s\u0131ras\u0131nda, filtrenin kenarlara yak\u0131n piksellerle yeterince etkile\u015fime girememesi nedeniyle g\u00f6r\u00fcnt\u00fc kenarlar\u0131ndaki bilgiler kaybolabilir ve \u00e7\u0131kt\u0131 \u00f6zellik haritas\u0131 orijinal g\u00f6r\u00fcnt\u00fcden daha k\u00fc\u00e7\u00fck olabilir. Padding, bu sorunu \u00e7\u00f6zmek i\u00e7in g\u00f6r\u00fcnt\u00fcn\u00fcn kenarlar\u0131na genellikle s\u0131f\u0131r de\u011ferlerinden olu\u015fan pikseller ekleme i\u015flemidir.
\n * “Valid” Padding (Ge\u00e7erli Dolgu):<\/strong> Hi\u00e7bir dolgu eklenmez. \u00c7\u0131kt\u0131 boyutu genellikle k\u00fc\u00e7\u00fcl\u00fcr.
\n * “Same” Padding (Ayn\u0131 Dolgu):<\/strong> G\u00f6r\u00fcnt\u00fcye yeterli dolgu eklenir, b\u00f6ylece \u00e7\u0131kt\u0131 \u00f6zellik haritas\u0131n\u0131n uzamsal boyutu (geni\u015flik ve y\u00fckseklik) girdi g\u00f6r\u00fcnt\u00fcs\u00fcyle ayn\u0131 kal\u0131r. Bu, a\u011f\u0131n derinliklerinde uzamsal bilgiyi korumak i\u00e7in kullan\u0131\u015fl\u0131d\u0131r.<\/p>\nReLU Aktivasyon Fonksiyonu<\/h4>\n
\n* Do\u011frusals\u0131zl\u0131k Katma:<\/strong> Aktivasyon fonksiyonlar\u0131, sinir a\u011flar\u0131na do\u011frusals\u0131zl\u0131k ekler. E\u011fer aktivasyon fonksiyonlar\u0131 kullan\u0131lmasayd\u0131, bir CNN, ka\u00e7 katmandan olu\u015fursa olu\u015fsun, yaln\u0131zca do\u011frusal bir d\u00f6n\u00fc\u015f\u00fcm ger\u00e7ekle\u015ftirebilirdi ki bu da karma\u015f\u0131k desenleri \u00f6\u011frenme yetene\u011fini k\u0131s\u0131tlard\u0131. ReLU, a\u011f\u0131n karma\u015f\u0131k, do\u011frusal olmayan ili\u015fkileri \u00f6\u011frenmesini sa\u011flar.
\n* Seyrek Aktivasyon:<\/strong> ReLU, negatif aktivasyonlar\u0131 s\u0131f\u0131rlayarak seyreklik yarat\u0131r. Bu, a\u011f\u0131n daha az n\u00f6ronun aktif oldu\u011fu daha verimli temsiller \u00f6\u011frenmesine yard\u0131mc\u0131 olabilir ve a\u015f\u0131r\u0131 \u00f6\u011frenmeyi azaltabilir.
\n* Gradyan Kaybolma Problemini Azaltma:<\/strong> Geleneksel sigmoid veya tanh gibi aktivasyon fonksiyonlar\u0131, gradyanlar\u0131n \u00e7ok k\u00fc\u00e7\u00fck oldu\u011fu “doygunluk” b\u00f6lgelerine sahiptir, bu da derin a\u011flarda gradyan kaybolmas\u0131 (vanishing gradient) sorununa yol a\u00e7abilir. ReLU, pozitif b\u00f6lgede sabit bir gradyana sahip oldu\u011fu i\u00e7in bu sorunu hafifletir.<\/p>\nFiltrelerin E\u011fitimi ve \u00d6\u011frenmesi<\/h3>\n
Geri Yay\u0131l\u0131m (Backpropagation) ve Gradyan \u0130ni\u015fi (Gradient Descent)<\/h4>\n
\n1. \u0130leri Besleme (Forward Pass):<\/strong> Bir girdi g\u00f6r\u00fcnt\u00fcs\u00fc a\u011fa verilir ve her katmandaki evri\u015fim ve aktivasyon i\u015flemleriyle bir \u00e7\u0131kt\u0131 (\u00f6rne\u011fin, s\u0131n\u0131fland\u0131rma tahmini) \u00fcretilir.
\n2. Hata Hesaplama:<\/strong> Modelin tahmini ile ger\u00e7ek etiket (ground truth) aras\u0131ndaki fark, bir kay\u0131p fonksiyonu (\u00f6rne\u011fin, \u00e7apraz entropi) kullan\u0131larak hesaplan\u0131r. Bu fark, modelin ne kadar iyi performans g\u00f6sterdi\u011fini g\u00f6steren bir “hata” de\u011feridir.
\n3. Geri Yay\u0131l\u0131m (Backpropagation):<\/strong> Hesaplanan hata, a\u011f\u0131n \u00e7\u0131kt\u0131s\u0131ndan geriye do\u011fru, katman katman yay\u0131l\u0131r. Geri yay\u0131l\u0131m algoritmas\u0131, her bir filtrenin a\u011f\u0131rl\u0131\u011f\u0131n\u0131n, toplam hataya ne kadar katk\u0131da bulundu\u011funu belirleyen gradyanlar\u0131 (t\u00fcrevleri) hesaplar.
\n4. Gradyan \u0130ni\u015fi (Gradient Descent):<\/strong> Elde edilen gradyanlar kullan\u0131larak, filtre a\u011f\u0131rl\u0131klar\u0131 g\u00fcncellenir. Gradyan ini\u015fi algoritmas\u0131, a\u011f\u0131rl\u0131klar\u0131, hatay\u0131 azaltacak y\u00f6nde k\u00fc\u00e7\u00fck ad\u0131mlarla ayarlar. Bu i\u015flem, a\u011f\u0131n e\u011fitimi boyunca binlerce hatta milyonlarca kez tekrarlan\u0131r. Ama\u00e7, kay\u0131p fonksiyonunu minimize eden optimal filtre a\u011f\u0131rl\u0131klar\u0131n\u0131 bulmakt\u0131r.<\/p>\n\u00d6\u011frenme Oran\u0131 (Learning Rate)<\/h4>\n
\n* Y\u00fcksek \u00d6\u011frenme Oran\u0131:<\/strong> Modelin h\u0131zl\u0131 bir \u015fekilde \u00f6\u011frenmesini sa\u011flayabilir ancak optimal noktay\u0131 a\u015fmas\u0131na ve yak\u0131nsamamas\u0131na neden olabilir.
\n* D\u00fc\u015f\u00fck \u00d6\u011frenme Oran\u0131:<\/strong> Modelin daha yava\u015f \u00f6\u011frenmesine neden olur ancak daha istikrarl\u0131 bir yak\u0131nsama sa\u011flayabilir. \u00c7ok d\u00fc\u015f\u00fck bir \u00f6\u011frenme oran\u0131, modelin yerel minimumlarda tak\u0131l\u0131p kalmas\u0131na veya e\u011fitimin \u00e7ok uzun s\u00fcrmesine neden olabilir.
\nOptimal bir \u00f6\u011frenme oran\u0131 bulmak, genellikle deneme-yan\u0131lma ve farkl\u0131 stratejiler (\u00f6rne\u011fin, \u00f6\u011frenme oran\u0131 \u00e7izelgeleri) gerektiren \u00f6nemli bir hiperparametre ayarlama g\u00f6revidir.<\/p>\nVeri K\u00fcmesinin \u00d6nemi<\/h4>\n
Filtreleri G\u00f6rselle\u015ftirme ve Anlama<\/h3>\n
Filtre G\u00f6rselle\u015ftirmesi<\/h4>\n
\n* \u0130lk Katmanlar:<\/strong> \u0130lk katmanlardaki filtreler genellikle kenar dedekt\u00f6rleri, renk bloblar\u0131 veya basit doku alg\u0131lay\u0131c\u0131lar\u0131 gibi temel g\u00f6rsel desenleri g\u00f6sterir. \u00d6rne\u011fin, baz\u0131 filtreler dikey mavi kenarlar\u0131, baz\u0131lar\u0131 yatay k\u0131rm\u0131z\u0131 kenarlar\u0131 alg\u0131layabilir. Bu, bu filtrelerin belirli y\u00f6n ve renk kombinasyonlar\u0131na duyarl\u0131 oldu\u011funu g\u00f6sterir.
\n* Derin Katmanlar:<\/strong> A\u011f\u0131n derinliklerine inildik\u00e7e, filtreler daha karma\u015f\u0131k ve soyut desenleri \u00f6\u011frenir. Bu katmanlardaki filtrelerin a\u011f\u0131rl\u0131klar\u0131n\u0131 do\u011frudan g\u00f6rselle\u015ftirmek genellikle daha zordur ve insan taraf\u0131ndan yorumlanmas\u0131 pek anlaml\u0131 olmayabilir. Bunun yerine, bu filtrelerin hangi girdilere en \u00e7ok tepki verdi\u011fini anlamak i\u00e7in ba\u015fka teknikler kullan\u0131l\u0131r.<\/p>\nAktivasyon Haritas\u0131 G\u00f6rselle\u015ftirmesi<\/h4>\n
\n* Y\u00fcksek aktivasyon de\u011ferleri, filtrenin alg\u0131lamaya \u00e7al\u0131\u015ft\u0131\u011f\u0131 \u00f6zelli\u011fin o b\u00f6lgede yo\u011fun bir \u015fekilde bulundu\u011funu g\u00f6sterir.
\n* D\u00fc\u015f\u00fck aktivasyon de\u011ferleri ise, \u00f6zelli\u011fin ya bulunmad\u0131\u011f\u0131n\u0131 ya da filtrenin o b\u00f6lgeye duyarl\u0131 olmad\u0131\u011f\u0131n\u0131 g\u00f6sterir.
\nBu teknik, bir filtrenin belirli bir nesne par\u00e7as\u0131 veya doku ile ger\u00e7ekten ili\u015fkili olup olmad\u0131\u011f\u0131n\u0131 do\u011frulamak i\u00e7in kullan\u0131labilir. \u00d6rne\u011fin, bir “g\u00f6z” filtresinin, bir y\u00fcz g\u00f6r\u00fcnt\u00fcs\u00fcndeki g\u00f6z b\u00f6lgelerinde y\u00fcksek aktivasyon g\u00f6sterdi\u011fini g\u00f6rebiliriz.<\/p>\nS\u0131n\u0131f Aktivasyon Haritalar\u0131 (Class Activation Maps – CAM\/Grad-CAM)<\/h4>\n
\n* Bu teknikler, a\u011f\u0131n son evri\u015fim katmanlar\u0131n\u0131n \u00e7\u0131kt\u0131lar\u0131n\u0131 kullanarak, belirli bir s\u0131n\u0131f\u0131n aktivasyonunu art\u0131ran piksel b\u00f6lgelerini vurgulayan bir \u0131s\u0131 haritas\u0131 olu\u015fturur.
\n* \u00d6rne\u011fin, bir CNN bir g\u00f6r\u00fcnt\u00fcdeki “kedi”yi s\u0131n\u0131fland\u0131rd\u0131\u011f\u0131nda, Grad-CAM \u0131s\u0131 haritas\u0131 genellikle kedinin v\u00fccudunu ve y\u00fcz\u00fcn\u00fc vurgulayacakt\u0131r. Bu, modelin do\u011fru karar\u0131 do\u011fru nedenlerle verdi\u011fini do\u011frulamaya yard\u0131mc\u0131 olur. Yanl\u0131\u015f bir s\u0131n\u0131fland\u0131rma durumunda, \u0131s\u0131 haritas\u0131 modelin yanl\u0131\u015f bir b\u00f6lgeye odakland\u0131\u011f\u0131n\u0131 ortaya \u00e7\u0131karabilir, bu da hata ay\u0131klama i\u00e7in de\u011ferli bilgiler sa\u011flar.<\/p>\nGeli\u015fmi\u015f Filtre Konseptleri ve Uygulamalar\u0131<\/h3>\n
Dile Edilmi\u015f Evri\u015fimler (Dilated Convolutions)<\/h4>\n
\n* Avantaj\u0131:<\/strong> G\u00f6r\u00fcnt\u00fc segmentasyonu gibi yo\u011fun tahmin gerektiren g\u00f6revlerde, \u00e7\u0131kt\u0131n\u0131n \u00e7\u00f6z\u00fcn\u00fcrl\u00fc\u011f\u00fcn\u00fc korurken geni\u015f bir ba\u011flam bilgisi elde etmek i\u00e7in \u00e7ok kullan\u0131\u015fl\u0131d\u0131r.
\n* Uygulama:<\/strong> Genellikle anlamsal segmentasyon a\u011flar\u0131nda (\u00f6rne\u011fin, DeepLab serisi) kullan\u0131l\u0131r.<\/p>\nDerinlemesine Ayr\u0131labilir Evri\u015fimler (Depthwise Separable Convolutions)<\/h4>\n
\n1. Derinlemesine Evri\u015fim (Depthwise Convolution):<\/strong> Her girdi kanal\u0131 i\u00e7in ayr\u0131 ayr\u0131, tek bir filtre uygulan\u0131r. Bu, uzamsal bilgiyi yakalar.
\n2. Noktasal Evri\u015fim (Pointwise Convolution):<\/strong> 1×1’lik evri\u015fim filtreleri kullan\u0131larak, derinlemesine evri\u015fimden gelen kanal ba\u015f\u0131na \u00e7\u0131kt\u0131lar\u0131 birle\u015ftirir ve kanal say\u0131s\u0131n\u0131 ayarlar. Bu, kanal i\u00e7i ili\u015fkileri yakalar.
\n* Avantaj\u0131:<\/strong> Parametre ve hesaplama verimlili\u011fi sayesinde mobil ve g\u00f6m\u00fcl\u00fc cihazlarda CNN’lerin da\u011f\u0131t\u0131m\u0131n\u0131 kolayla\u015ft\u0131r\u0131r.
\n* Uygulama:<\/strong> MobileNet ve Xception gibi verimli CNN mimarilerinde yayg\u0131n olarak kullan\u0131l\u0131r.<\/p>\n1×1 Evri\u015fimler (Pointwise Convolutions)<\/h4>\n
\n* Kanal Say\u0131s\u0131n\u0131 De\u011fi\u015ftirme:<\/strong> En \u00f6nemli i\u015flevi, \u00f6zellik haritas\u0131n\u0131n kanal say\u0131s\u0131n\u0131 azaltmak veya art\u0131rmakt\u0131r. \u00d6rne\u011fin, 256 kanall\u0131 bir \u00f6zellik haritas\u0131n\u0131 64 kanala d\u00fc\u015f\u00fcrmek i\u00e7in 64 adet 1×1 filtre kullan\u0131labilir. Bu, hesaplama maliyetini d\u00fc\u015f\u00fcr\u00fcr ve a\u011f\u0131n daha derinle\u015fmesine olanak tan\u0131r.
\n* Do\u011frusals\u0131zl\u0131k Ekleme:<\/strong> Bir aktivasyon fonksiyonu ile birlikte kullan\u0131ld\u0131\u011f\u0131nda, kanallar aras\u0131nda do\u011frusal olmayan etkile\u015fimler ekleyerek a\u011f\u0131n karma\u015f\u0131kl\u0131\u011f\u0131n\u0131 art\u0131r\u0131r.
\n* Uygulama:<\/strong> Google’\u0131n Inception mimarisinde ve ResNet gibi a\u011flarda boyut azaltma ve art\u0131rma, ayr\u0131ca kanal i\u00e7i etkile\u015fimleri \u00f6\u011frenme i\u00e7in s\u0131k\u00e7a kullan\u0131l\u0131r.<\/p>\nTranspoze Evri\u015fimler (Transposed Convolutions \/ Deconvolutions)<\/h4>\n
\n* Amac\u0131:<\/strong> Daha d\u00fc\u015f\u00fck \u00e7\u00f6z\u00fcn\u00fcrl\u00fckl\u00fc \u00f6zellik haritalar\u0131ndan daha y\u00fcksek \u00e7\u00f6z\u00fcn\u00fcrl\u00fckl\u00fc \u00e7\u0131kt\u0131lar \u00fcretmek i\u00e7in kullan\u0131l\u0131r.
\n* Uygulama:<\/strong> \u00dcretken modellerde (\u00f6rne\u011fin, \u00dcretken \u00c7eki\u015fmeli A\u011flar – GAN’lar), g\u00f6r\u00fcnt\u00fc segmentasyonu i\u00e7in kodlay\u0131c\u0131-kod \u00e7\u00f6z\u00fcc\u00fc (encoder-decoder) mimarilerinde ve s\u00fcper \u00e7\u00f6z\u00fcn\u00fcrl\u00fck g\u00f6revlerinde yayg\u0131n olarak kullan\u0131l\u0131r.<\/p>\nSonu\u00e7<\/h3>\n