Adding Binary Search Connections to Improve DenseNet Performance

Kumar, Ravin

doi:10.2139/ssrn.3545071

Cited by 11 publications

(7 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…In the DenseNet-121 model, traditional convolutional networks with the number of layers L have L connections, while the DenseNet architecture has as many connections as L(L+1)/2. For each layer, feature maps of previous layers are used as input, and its own feature maps are used as input for all subsequent layers [18,19]. One of the important advantages of DenseNet architectures is that it reduces the gradient disappearance problem [20,21].…”

Section: Densenet-121mentioning

confidence: 99%

Classification of Environmental Sounds With Deep Learning

Aksoy

USTA

KARADAĞ

et al. 2022

Advances in Artificial Intelligence Research

View full text Add to dashboard Cite

Today, with the development of technology, environmental destruction is increasing day by day. For this reason, it is inevitable to take different measures to prevent the damage caused by environmental destruction. It is possible to prevent environmental damage by identifying the sounds that harm the environment and transferring them to the relevant units. In the study carried out, a data set of saw, rain, lightning, bark and broom sound data obtained from open access websites was created. Rain, barking and broom sounds in the data set were determined as the sounds that do not harm the environment, while saw and lightning were determined as the data set that harms the environment. The dataset was classified using VGG-13BN, ResNet-50 and DenseNet-121 deep learning architectures. When used, all three deep learning accuracy are due to over 95% study. Among these models, the VGG-13 BN model emerged as the most successful model with an accuracy rate of 99.72%.

show abstract

Section: Densenet-121mentioning

confidence: 99%

Classification of Environmental Sounds With Deep Learning

Aksoy

USTA

KARADAĞ

et al. 2022

Advances in Artificial Intelligence Research

View full text Add to dashboard Cite

show abstract

“…Yoğun bağlantılı evrişim ağında, ağda bulunan her katman bir önceki katmanının bilgilerini giriş olarak alır ve bu bilgiye bulunduğu katmanın bilgilerini de ekleyerek bir sonraki katmana giriş verisi olarak vermektedir. Bu şekilde yoğun bağlantılı evrişim ağlarında katmanlar ileriye doğru birbirlerine bağlanmaktadır (Kumar, 2019). Yoğun bağlantılı evrişim ağının en büyük özelliği yayılım sağlayarak özelliklerin yeniden kullanılmasına olanak sağlamaktadır.…”

Section: Densenetunclassified

Yoğun Evrişimli Sinir Ağı ile Gökyüzü Görüntülerinden Hava Durumu Tespiti

ŞENER>

Ergen

2022

Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi

View full text Add to dashboard Cite

Weather conditions appear as an unchangeable structure. However, determining and determining weather conditions can help individuals plan their physical activities. In the study, it has been tried to perform different sky images and weather detection processes with image classification methods, which is one of the popular work subjects in the computer field in recent years. In the study, a data set consisting of images with different weather conditions and resolutions was used. The number of images in the data set has been increased by using various data augmentation methods. The feature maps of the images were obtained by applying image processing techniques to the images. In the next part of the study, the classification process was carried out on the images with an accuracy rate of 96.4% using the DenseNet image classification model.

show abstract

“…DenseNet (Yoğun bağlantılı evrişim ağı), her katmanı diğer katmanlara ileriye doğru bir şekilde bağlamaktadır. DenseNet mimarisinde her katman önceki tüm katmanların özelliklerini girdi olarak kullanmakta ve katmandaki kendi özellikleri de sonraki katmanlara girdi olarak vermektedir [18]. DenseNet mimarilerinin avantajı özellik yayılımını sağlamak ve özelliğin yeniden kullanılmasına olanak sağlayarak parametre sayısını azaltmasıdır [19].…”

Section: Densenetunclassified

Deprem Sonrası Bina Yüzeylerinde Meydana Gelen Çatlakların Tespitinde Sınıflandırma Modellerinin Karşılaştırılması

ŞENER>

Ergen

2022

Çukurova Üniversitesi Mühendislik Fakültesi Dergisi

View full text Add to dashboard Cite

Deprem, can ve mal kaybına neden olan bir doğal afettir. Deprem sonrası hasarların ve can kayıplarının en aza indirilebilmesi için ön hazırlıkların yapılması büyük önem taşımaktadır. Yapılan çalışmada duvar yüzeylerinde meydana gelen küçük veya büyük çaplı çatlakların tespit edilmesi işlemleri, son yıllarda bilgisayar alanında popüler çalışma konularından biri olan görüntü sınıflandırma yöntemleriyle gerçekleştirilmiştir. Çalışmada içerisinde çatlakların bulunduğu ve bulunmadığı 40000 duvar görüntülerinden oluşan veri seti kullanılmıştır. Sınıflandırma işlemlerinde DenseNet-201, VGG-19 ve Xception modelleri ayrı ayrı kullanılmıştır. Modeller kullanılarak görüntüler özellik haritaları çıkartılmıştır. Bir sonraki aşamada ise DenseNet-201 ile %99, VGG-19 ile %94 ve Xception modeli ile %99 doğruluk oranı ile sınıflandırma işlemleri gerçekleştirilmiştir. Gerçekleştirilen sınıflandırma işlemlerindeki başarılar göz önüne alındığında hasar tespiti işlemlerinde kullanılabilecek alternatif bir yöntem sunulmaktadır.

show abstract

Adding Binary Search Connections to Improve DenseNet Performance

Cited by 11 publications

References 0 publications

Classification of Environmental Sounds With Deep Learning

Classification of Environmental Sounds With Deep Learning

Yoğun Evrişimli Sinir Ağı ile Gökyüzü Görüntülerinden Hava Durumu Tespiti

Deprem Sonrası Bina Yüzeylerinde Meydana Gelen Çatlakların Tespitinde Sınıflandırma Modellerinin Karşılaştırılması

Contact Info

Product

Resources

About