Çok Sınıflı Hücre Bölütleme için Derin Sinir Ağlarında Sınıf Ağırlıklı Cezalandırmanın Etkisi

Abstract

Derin öğrenme ağları, birçok alanda başarılı sonuçlar vermekle birlikte karmaşıklıları sebebiyle aşırı uyum gibi problemlere sebep olmaktadır. Bu sorunu çözmek için birçok yaklaşım önerilmiş ve sınıf bazlı cezalandırma başarılı sonuçlar veren yöntemlerden biri olmuştur. Sınıf bazlı cezalandırma ile özellikle sınıf dengesizliği olan durumlarda tahmin performansını artırmak ve modelin genelleştirme kabiliyetini iyileştirmek mümkün hale gelmiştir. Bu çalışmada, çok sınıflı hücre bölütleme problemi için sınıf bazlı cezalandırmanın etkisi incelenmiştir. İki farklı derin sinir ağı (Resnet18, EfficientNet) modeli, sınıf bazlı cezalandırma için hazırlanan 6 farklı konfigürasyon ile test edilmiş ve sonuçlar karşılaştırılmıştır. Yapılan deneyler ile sınıf bazlı kayıp cezaları ve çok sınıflı bölütleme/sınıflandırma başarısı arasındaki ilişki ortaya çıkarılmıştır. Elde edilen sonuçlara bakıldığında, sınıf bazlı cezalandırma ile EfficientNet ve Resnet18 ağları için sırasıyla toplam 11.82 (C2+C3) ve 12.79 (C2+C3) puan artış elde edildiği gözlemlenmiştir. Önerilen yöntem ile model karmaşıklığını arttırmadan tahmin performansının iyileştirebileceği gösterilmiştir.

Deep learning networks give successful results in many areas, but their complexity leads to problems such as overfitting. Many approaches have been proposed to solve this problem, and class-based penalization has been one of the methods that have yielded successful results. With class-based penalization, it has become possible to increase the prediction performance and improve the model’s generalization capability, especially in cases with class imbalance. This study investigates the effect of class-based penalization on the multiclass cell segmentation problem. Two deep neural network models (Resnet18, EfficientNet) are tested with 6 different configurations created for class-based penalization, and the results are compared. The experimental studies show the relationship between class-based loss penalties and multiclass segmentation/classification performance. The results show that class-based penalization improves the total performance of EfficientNet and Resnet18 networks by 11.82(C2+C3) and 12.79(C2+C3) points, respectively. It is shown that the proposed method can improve the prediction performance without increasing the model complexity.