Dengesiz görüntü veri kümelerinde nesne tanıma için görsel transformatör tabanlı öznitelik çıkarma ve makine öğrenmesi sınıflandırıcılarını dayalı hibrit bir yaklaşım

Bu çalışma, Görsel Transformatör (Vision Transformer, ViT) modelinden elde edilen özniteliklerin klasik makine öğrenmesi sınıflandırıcıları olan LightGBM, AdaBoost, ExtraTrees ve Lojistik Regresyon ile birleştirilerek nesne tanıma performansının artırılmasını amaçlamaktadır. Araştırmada, Caltech-101 veri seti üzerinde gerçekleştirilen deneyler sonucunda farklı öznitelik çıkarıcı–sınıflandırıcı kombinasyonları karşılaştırılmıştır. Özellikle ViT ve Lojistik Regresyon kombinasyonu, önerilen yöntem olarak öne çıkmış ve %95,5 doğruluk ile %89,7 duyarlılık değerlerine ulaşmıştır. Bu sonuçlar, önerilen yaklaşımın mevcut son teknoloji yöntemlere kıyasla önemli ölçüde daha yüksek performans sergilediğini ortaya koymaktadır.Elde edilen bulgular, ViT modelinden çıkarılan özniteliklerin klasik sınıflandırıcılarla sentezlenmesinin nesne tanıma görevlerinde kayda değer ilerlemelere yol açabileceğini göstermektedir. Önerilen hibrit yöntem, derin öğrenme tabanlı otomatik öznitelik çıkarımının yüksek temsil gücünü; geleneksel makine öğrenimi sınıflayıcılarının anlaşılabilirliği ve düşük hesaplama maliyeti gibi avantajlarıyla birleştirerek doğruluk, işlem performansı ve genel sistem verimliliği açısından önemli iyileştirmeler sağlama potansiyeline sahiptir. Ayrıca, gerçek zamanlı analizler ve sınırlı donanıma sahip akıllı sistem uygulamaları için etkin bir çözüm alternatifi olarak öne çıkmaktadır.

This study aims to improve object recognition performance by combining features obtained from the Vision Transformer (ViT) model with classical machine learning classifiers such as LightGBM, AdaBoost, ExtraTrees, and Logistic Regression. In the research, different feature extractor-classifier combinations were compared as a result of experiments conducted on the Caltech-101 dataset. In particular, the combination of ViT and Logistic Regression stood out as the recommended method, achieving 95.5% accuracy and 89.7% sensitivity. These results demonstrate that the proposed approach exhibits significantly higher performance compared to existing cutting-edge methods. The findings show that synthesizing features extracted from the ViT model with classical classifiers can lead to significant improvements in object recognition tasks. The proposed hybrid method offers high representational power for deep learning-based automated feature extraction; By combining the advantages of traditional machine learning classifiers, such as intelligibility and low computational cost, it has the potential to deliver significant improvements in accuracy, processing performance, and overall system efficiency. Furthermore, it stands out as an effective alternative solution for real-time analytics and intelligent system applications with limited hardware.