Capsule Network proje dosyaları için aşağıdaki linke tıklayınız:
https://github.com/ayyucekizrak/Kapsul-Aglari-ile-Isaret-Dili-Tanima
Kapsul Aglari ile Isaret Dili Tanima
İşitme ve konuşma engelliler, dudak okuma ya da el ve yüz hareketlerinden oluşan ifadeler yardımıyla iletişimlerini sürdürmektedirler. Engelli bireylerin topluma katılımlarının sağlanması ve yaşam kalitelerinin artırılması diğer insanlarla sağlıklı ve etkili bir şekilde iletişim kurmaları ile mümkün olmaktadır. Bu çalışmada; işaret diline ait rakamların, derin yapay sinir ağı (deep artificial neural network) modeli olan Kapsül Ağları ile %94,2 başarı ile tanınması sağlanmıştır.
Recognition of Sign Language using Capsule Networks
Hearing and speech impaired persons continue to communicate with the help of lip reading or hand and face movements also known as a sign language. Ensuring the disabled persons participation in life and increasing their quality of life are achievable through healthy and effective communication with other people. In this work; digits of the sign language were recognized with 94.2% validation accuracy by Capsule Networks.
👉Veri Seti/Dataset-Kaggle-ArdaMavi 👈
💊 Kapsül Ağları ile İlgili Blog Yazısı
✔ Kapsül Ağları ile İlgili Temel MNIST Çalışması / Deep Learning Türkiye
RecycleNet: Intelligent Waste Sorting Using Deep Neural Networks
“RecycleNet: Derin Sinir Ağları ile Akıllı Geri Dönüşüm Malzemesi Sınıflandırma” çalışmamız INISTA konferansına kabul edildi. Çalışmada plastik, metal, kağıt gibi geri dönüşüm ♻ malzemelerini derin öğrenme ile tanımaya çalıştık. “Herhangi bir veri eklemeden” Stanford Üniversitesi’nde yapılan bir çalışmada elde edilen %65 test başarısını yaklaşık %30 iyileştirerek %95 doğruluğa çıkarttık. Çalışmayı İstanbul ve Ankara’daki arkadaşlarımızla birlikte “tamamen online” ortamda gerçekleştirdik. Google Colab ve kendi bilgisayarlarımızdaki GPU’ları kullandık.
ENGLISH-Abstract: Waste management and recycling is the fundamental part of a sustainable economy. For more efficient and safe recycling, it is necessary to use intelligent systems instead of employing humans as workers in the dump-yards. This is one of the early works demonstrating the efficiency of latest intelligent approaches.
In order to provide the most efficient approach, we experimented on well-known deep convolutional neural network architectures. For training without any pretrained weights, Inception-Resnet, Inception-v4 outperformed all others with 90\% test accuracy. For transfer learning and fine-tuning of weight parameters using ImageNet, DenseNet121 gave the best result with 95\% test accuracy. One disadvantage of these networks, however, is that they are slightly slower in prediction time. To enhance the prediction performance of the models we altered the connection patterns of the skip connections inside dense blocks.
Our model RecycleNet is carefully optimized deep convolutional neural network architecture for classification of selected recyclable object classes. This novel model reduced the number of parameters in a 121 layered network from 7 million to about 3 million.
Dataset: Dataset of Garbage Images
Original Paper: Classification of Trash for Recyclability Status
♻ Our Paper: https://ieeexplore.ieee.org/document/8466276
Github Repo: https://github.com/deeplearningturkiye/DeepCon18/tree/master/Atolye_Dosyalari/Derin_Ogrenme_ile_Geri_Donusum_Malzemelerinin_Taninmasi
Published on Conference: IEEE (SMC) INISTA 2018
Note that this work is part of a collaborative research project by Deep Learning Türkiye, a broad non-profit community dedicated to Deep Learning research in Turkey.
Yazarlar: Cenk Bircanoğlu, Meltem Atay, Fuat Beşer,
Özgün Genç, Merve Ayyüce Kızrak