Geleneksel Görüntü İşleme ve Derin Öğrenmenin Birleşimi Hibrid Model ile El Yazısı Rakam Sınıflandırma
Year: 2026
Type: article
Abstract: Bu çalışma, rakam sınıflandırma problemlerinde yaygın olarak kullanılan Konvolüsyonel Sinir Ağları’nın (CNN) dönme ve ölçekleme gibi geometrik varyasyonlara karşı yaşadığı yetersizlikleri gidermek amacıyla hibrit bir model önermektedir. Önerilen yaklaşım, CNN mimarisini Hu ve Zernike Momentlerinin sağladığı geometrik değişmezlik özellikleriyle entegre ederek özellik birleştirme tekniğini kullanmaktadır. Modelin dayanıklılığı, standart veriler yerine gürültü ve bozulma içeren zorlu SVHN veri seti üzerinde test edilmiştir. Çalışma kapsamında modern ve hafif bir mimari olan MobileNetV3 ile yapılan kapsamlı kıyaslamalar, hibrit modelin %90.97 ile istatistiksel olarak rekabetçi bir doğruluk oranına ulaştığını göstermiştir. Ancak asıl fark işlem hızında ortaya çıkmış; hibrit model 760 ms işlem süresiyle, 3276 ms süren MobileNetV3 modeline kıyasla 4 kattan fazla hız avantajı sağlamıştır. Bu sonuçlar, önerilen yöntemin yüksek doğruluk ve hız gerektiren gerçek zamanlı uygulamalar için modern alternatiflerden çok daha verimli bir çözüm sunduğunu kanıtlamaktadır.
Authors: Ethem Sefa Küçükyilmaz, Erhan Akın
Institution: Fırat University
Language: Turkish
Subfield: Computer Vision and Pattern Recognition
Field: Computer Science
Domain: Physical Sciences
Open Access status: diamond
OpenAlex ID: W7140319994