İçeriğe geç
NEBİLİM AĞI ÇEVRİMİÇİ22.11.2026 · BİLİM, EVREN & TEKNOLOJİ
NeBilim.net

Her cevap,
yeni bir soru açar.

OBSERVATION / 418

Frontiers | Gelişmiş GNG: Büyüyen Nöral Gaz Yoluyla Yerelleştirilmiş Renk Artırımı

Yayın:

Nöro- ve Biyoinformatik Enstitüsü, Lübeck Üniversitesi, Lübeck, Almanya Derin yapay sinir ağları genellikle büyük ve çeşitli eğitim veri kümelerinden…

Frontiers | Gelişmiş GNG: Büyüyen Nöral Gaz Yoluyla Yerelleştirilmiş Renk Artırımı

ORİJİNAL ARAŞTIRMA makalesi

Front. Artif. Intell., 11 Kasım 2026

Bölüm: Makine Öğrenmesi

Cilt 9 – 2026 | https://doi.org/10.3389/frai.2026.1954939

NeBilim sitesini Google’da tercih edilen kaynak olarak seç
  • TA
  • HH
  • PS
  • AM

Tigran Andrikyan

Hans-Oliver Hansen

Paul Schönbrunner

Amir Madany Mamlouk

    Nöro- ve Biyoinformatik Enstitüsü, Lübeck Üniversitesi, Lübeck, Almanya

    Makale metrikleri

    Özet

    Derin yapay sinir ağları genellikle büyük ve çeşitli eğitim veri kümelerinden fayda sağlar. Yeterince çeşitli veri toplamak maliyetli olabildiğinden, veri artırımı modern bilgisayarlı görü süreçlerinin standart bir bileşeni haline gelmiştir. Geometrik artışlar kapsamlı bir şekilde incelenmiş olsa da, mevcut renk artırımı yöntemlerinin çoğu, esas olarak aydınlatma değişikliklerini veya kamera kaynaklı etkileri simüle eden küresel fotometrik dönüşümler uygular. Ancak, birçok gerçek dünya tanıma görevinde, kromatik değişkenlik bir görüntü içinde heterojen olabilir ve tek bir küresel, tekdüze fotometrik kayma yerine nesne veya malzeme bölgelerine göre farklılık gösterebilir. Bu çalışmada, Growing Neural Gas kümelemesini PCA tabanlı renk pertürbasyonlarıyla birleştiren, kümeye özgü yeni bir renk artırımı yöntemi olan Fancy Growing Neural Gas (Fancy GNG)’yi sunuyoruz. Fancy GNG, tüm görüntüye tek bir küresel dönüşüm uygulamak yerine, görüntüye özgü RGB dağılımını tutarlı renk uzayı kümelerine ayırır ve bağımsız olarak örneklenmiş, kümeye özgü pertürbasyonlar uygular. Bu, semantik etiketlere veya açık uzamsal segmentasyona dayanmadan, genel görüntü içeriğini korurken yapılandırılmış ve görüntüye uyarlanmış kromatik varyasyon sağlar. Önerilen yöntemi ResNet-50 mimarisi kullanılarak Flowers-102, CIFAR-10 ve ImageNet-1k veri kümeleri üzerinde değerlendirdik. Sonuçlar, veri kümesine bağlı güçlü bir davranış ortaya koymaktadır. Fancy GNG, en büyük iyileştirmelerini ince taneli ve yüksek derecede renge duyarlı bir sınıflandırma ölçütü olan Flowers-102’de elde ederken, ImageNet-1k’de de tutarlı kazanımlar sağlamaktadır. Buna karşılık, kromatik bilginin sınıf ayrımı için daha az kritik göründüğü CIFAR-10’da yalnızca marjinal iyileşmeler gözlemlenmiştir. Ayrıca, gri tonlamaya dönüştürmenin neden olduğu performans düşüşünün, bir veri kümesinin renk duyarlı artıştan ne kadar fayda sağlayabileceğinin pratik bir göstergesi olduğunu gösteriyoruz. Genel olarak, sonuçlar, kümeye özgü ve renk dağılımına duyarlı artışın, özellikle kromatik bilginin hem ayırt edici hem de içsel olarak yapılandırılmış olduğu tanıma görevlerinde, geleneksel küresel renk pertürbasyon yöntemlerine göre anlamlı avantajlar sağlayabildiğini göstermektedir.

    1 Giriş

    Derin evrişimli sinir ağları, sağlam genelleme elde etmek için büyük ve çeşitli eğitim veri kümelerine büyük ölçüde dayanır (Krizhevsky ve diğerleri, 2012). Bu tür veri kümelerini toplamak genellikle maliyetli ve emek yoğun olduğundan, veri artırımı modern bilgisayarlı görü süreçlerinin temel bir bileşeni haline gelmiştir (Xu ve diğerleri, 2023). Kesme, çevirme veya döndürme gibi geometrik artışlar yaygın olarak incelenmiş olsa da, renk artırımı, birçok görsel tanıma görevinde kromatik bilginin önemli rolüne rağmen nispeten daha az araştırılmıştır.

    Mevcut renk artırımı yöntemleri ağırlıklı olarak tüm görüntülere uygulanan küresel fotometrik dönüşümlere dayanır. Color Jitter (Chen ve diğerleri, 2020; Zbontar ve diğerleri, 2021), Fancy PCA (Krizhevsky ve diğerleri, 2012) veya aydınlatma tabanlı pertürbasyonlar gibi teknikler, görüntüyü renk uzayında tekdüze bir şekilde dönüştürerek kamera özelliklerinden, aydınlatma koşullarından veya beyaz denge kaymalarından kaynaklanan varyasyonları simüle eder. Bu tür yöntemler etkili olsa da, görüntülerin iç kromatik yapısını büyük ölçüde göz ardı ederler ve bu nedenle gerçek dünya nesneleri ve malzemeleri için genellikle karakteristik olan yerelleştirilmiş renk değişkenliğini açıkça modellemezler.

    İlgili bir dönüşüm, görüntüyü RGB renk uzayının daha düşük boyutlu bir alt uzayına yansıtarak kromatik bilgiyi ortadan kaldıran Gri Tonalama‘dır. Gri tonlamalı artırım, aydınlatma koşullarına karşı değişmezliği artırabilir, ancak aynı zamanda sınıf özgü renk ipuçlarını da bastırabilir; bu etki özellikle Flowers-102 (Nilsback ve Zisserman, 2008) gibi ince taneli veri kümeleri için önemlidir.

    Son çalışmalar, geleneksel küresel RGB pertürbasyonlarının ötesinde, daha özelleşmiş, yapılandırılmış ve uygulamaya özgü renk ve spektrum odaklı artırım biçimlerini giderek daha fazla araştırmıştır. Örneğin, Choi ve Kim (2024), uzamsal olarak yerelleştirilmiş, renkli doldurulmuş kesme bölgelerini müfredat öğrenmesiyle birleştirirken, Chen ve diğerleri (2025) polip segmentasyonu için ek renk görünümleri oluşturmak üzere veri kümesi düzeyinde renk istatistiklerini kullanır. Hiperspektral cerrahi görüntülemede, Kalibrasyon-Jitter (Roddan ve diğerleri, 2024), aydınlatma ve sensör hassasiyetiyle ilişkili spektral değişiklikleri simüle etmek için kalibrasyon sürecindeki varyasyonlardan yararlanır. Diğer son uygulama özgü yaklaşımlar arasında, arka plan rengini korurken nesne düzeyinde gri tonlamalı artırım uygulayan SAGA (Manjunath ve diğerleri, 2025) ve renk tonu değişiklikleri altında anormallik tespitini iyileştirmek için tasarlanan Bipolar Artırım (Lin ve Lin, 2025) bulunmaktadır. Bu gelişmeler toplu olarak, geleneksel sabit küresel fotometrik dönüşümlerin ötesinde kromatik veya spektral değişkenliği ele alan artırım stratejilerine yönelik artan bir ilgiyi göstermektedir. Ancak, bu yaklaşımlar ya açık uzamsal veya nesne düzeyinde yapıya dayanır, veri kümesi düzeyindeki istatistikler üzerinde çalışır veya kromatik değişkenliğin uygulama özgü kaynaklarını hedefler. Buna karşılık, mevcut çalışma, yalnızca RGB dağılımından öğrenilen görüntüye özgü yapının, açık uzamsal veya semantik bilgi olmadan kümeye özgü renk pertürbasyonlarını tanımlamak için kullanılıp kullanılamayacağını araştırmaktadır.

    Ancak, küresel olarak tutarlı renk değişkenliği varsayımı genellikle gerçekçi değildir. Birçok tanıma probleminde, kromatik değişkenlik uzamsal olarak yapılandırılmıştır ve yalnızca tekdüze aydınlatma değişiklikleriyle değil, anlamsal olarak anlamlı görüntü bölgeleriyle ilişkilidir. Örneğin, Flowers-102 (Nilsback ve Zisserman, 2008) gibi ince taneli tanıma veri kümeleri, taç yaprakları, çiçek merkezleri veya diğer karakteristik yapılarla ilişkili yerelleştirilmiş renk desenlerine büyük ölçüde dayanır. Benzer şekilde, hesaplamalı patolojide, boya değişkenliği, tanısal olarak ilgili morfolojiyi korurken farklı doku bileşenlerini bağımsız olarak etkileyebilir (Tellez ve diğerleri, 2019; Marini ve diğerleri, 2023). Son zamanlardaki yaklaşımlar bu nedenle, boya değişkenliğini ele almak için veriye dayalı, üretken ve bileşen duyarlı stratejiler geliştirmiştir; bunlar arasında alan etiketsiz boya rengi artırımı (Nguyen ve diğerleri, 2024), boya görünümünü hücre morfolojisinden ayırmak için tasarlanmış üretken boya artırımı (Li ve diğerleri, 2024), ön plan–arka plan duyarlı boya artırımı ve normalizasyonu (Wang ve diğerleri, 2024) ve eş zamanlı boya artırımı ve normalizasyonu (Kim ve diğerleri, 2024) bulunmaktadır. Sonuç olarak, küresel olarak tutarlı renk dönüşümleri, birçok gerçek dünya görsel alanında karşılaşılan yapılandırılmış ve bölgeye bağlı kromatik değişkenliği yetersiz bir şekilde yakalayabilir.

    Temel Bulgular ve Genel Değerlendirme

    • CrossRef
    • Google Scholar
    • Makaledeki referansı görüntüle

    ReedA.Nagle-McNaughtonT.ElliottS.MapelJ. (2026). Geliştirilmiş uydu görüntüsü yüzey yeniden yapılandırması için semantik özelliklerin Gauss splatting ile birleştirilmesi. Remote Sensing18:1563. doi: 10.3390/rs18101563

    • CrossRef
    • Google Scholar
    • Makaledeki referansı görüntüle

    RoddanA.CzempielT.ElsonD. S.GiannarouS. (2024). Kalibrasyon-jitter: gelişmiş cerrahi sahne segmentasyonu için hiperspektral verilerin artırımı. Healthc. Technol. Lett. 11, 345–354. doi: 10.1049/htl2.12102

    • Pubmed Özet
    • CrossRef
    • Google Scholar
    • Makaledeki referansı görüntüle

    RussakovskyO.DengJ.SuH.KrauseJ.SatheeshS.MaS.et al. (2015). ImageNet büyük ölçekli görsel tanıma challenge’i. Int. J. Comput. Vis. 115, 211–252. doi: 10.1007/s11263-015-0816-y

    • CrossRef
    • Google Scholar
    • Makaledeki referansı görüntüle

    ShenY.LuoY.ShenD.KeJ. (2022). “Randstainna: boyama artırımı ile normalizasyonu birleştirerek histoloji slaytlarından boyamadan bağımsız özelliklerin öğrenilmesi,” Medical image computing and computer assisted intervention-MICCAI 2022 (Singapur: Springer), 212–221. doi: 10.1007/978-3-031-16434-7_21

    • CrossRef
    • Google Scholar
    • Makaledeki referansı görüntüle

    SiowC. Z.SaputraA. A.OboT.KubotaN. (2024). Hızlı ve verimli kümeleme için Growing Neural Gas’ın dağıtılmış toplu öğrenimi. Mathematics12:1909. doi: 10.3390/math12121909

    • CrossRef
    • Google Scholar
    • Makaledeki referansı görüntüle

    TellezD.LitjensG.BándiP.BultenW.BokhorstJ. M.CiompiF.ve diğerleri (2019). Hesaplamalı patoloji için evrişimli sinir ağlarında veri artırımı ve boyama rengi normalizasyonunun etkilerinin ölçülmesi. Med. Imag. Anal. 58:101544. doi: 10.1016/j.media.2019.101544

    • Pubmed Özet
    • CrossRef
    • Google Scholar
    • Makaledeki referansı görüntüle

    WangC.LiS.KeJ.ZhangC.ShenY. (2024). RandStainNA++: ön plan ve arka plan ayrımı yoluyla rastgele boyama artırımı ve normalizasyonunun geliştirilmesi. IEEE J. Biomed. Health Inform. 28, 3660–3671. doi: 10.1109/JBHI.2024.3379280

    • Pubmed Özet
    • CrossRef
    • Google Scholar
    • Makaledeki referansı görüntüle

    XuM.YoonS.FuentesA.ParkD. S. (2023). Derin öğrenme için görüntü artırımı tekniklerine yönelik kapsamlı bir inceleme. Pattern Recognit. 137:109347. doi: 10.1016/j.patcog.2023.109347

    • CrossRef
    • Google Scholar
    • Makaledeki referansı görüntüle

    ZbontarJ.JingL.MisraI.LeCunY.DenyS. (2021). “Barlow ikizleri: fazlalık azaltma yoluyla öz-denetimli öğrenme,” 38. Uluslararası Makine Öğrenimi Konferansı Bildirileri, cilt 139 editörler M. Meila ve T. Zhang (PMLR), 12310–12320.

    • Google Scholar
    • Makaledeki referansı görüntüle

    ZiniS.BuzzelliM.TwardowskiB.van de WeijerJ. (2022). Planckian jitter: öz-denetimli görsel temsillerin renk kalitesini artırma. arXiv [Ön baskı]. arXiv:2202.07993.

    • Google Scholar
    • Makaledeki referansı görüntüle

    Özet

    Anahtar Kelimeler

    renk artırımı, bilgisayarlı görü, görüntü sınıflandırması, makine öğrenimi, Neural Gas, PCA

    Atıf

    Andrikyan T, Hansen H-O, Schönbrunner P ve Madany Mamlouk A (2026) Fancy GNG: Growing Neural Gas aracılığıyla yerelleştirilmiş renk artırımı. Front. Artif. Intell. 9:1954939. doi: 10.3389/frai.2026.1954939

    Alındı

    31 Temmuz 2026

    Değiştirildi

    09 Ekim 2026

    Kabul edildi

    26 Ekim 2026

    Yayınlandı

    11 Kasım 2026

    9 – 2026

    Alwin Poulose, Hindistan Bilim Eğitimi ve Araştırma Enstitüsü, Thiruvananthapuram, Hindistan

    Shiva Kamkar, Khatam Üniversitesi, İran

    Wen Zhang, Shenzhen Politeknik Üniversitesi, Çin

    © 2026 Andrikyan, Hansen, Schönbrunner ve Madany Mamlouk.

    Bu, Creative Commons Atıf Lisansı (CC BY) şartları altında dağıtılan açık erişimli bir makaledir. Orijinal yazarların ve telif hakkı sahiplerinin belirtilmesi ve bu dergideki orijinal yayına kabul edilen akademik uygulamalara uygun olarak atıfta bulunulması koşuluyla, diğer platformlarda kullanılması, dağıtılması veya çoğaltılmasına izin verilir. Bu şartlara uymayan hiçbir kullanım, dağıtım veya çoğaltmaya izin verilmez.

    Yazışma: Tigran Andrikyan, tigran.andrikyan@uni-luebeck.de

    Bu makalede ifade edilen tüm iddialar yalnızca yazarlara aittir ve yazarların bağlı olduğu kurumların, yayıncının, editörlerin veya hakemlerin görüşlerini yansıtmak zorunda değildir. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisi tarafından yapılabilecek herhangi bir iddia, yayıncı tarafından garanti edilmez veya onaylanmaz.

    Frontiers | Fancy GNG: localized color augmentation via Growing Neural Gas
    Frontiers | Fancy GNG: localized color augmentation via Growing Neural Gas
    İlginizi Çekebilir: NIST Bilimsel Atıkları Kansere Karşı Savaşan Malzemelere Dönüştürüyor →
    Kaynak: Frontiersin ↗
    💬 Topluluk Masası & Tartışma

    Bu gelişme hakkında düşüncelerinizi, donanım deneyimlerinizi veya sorularınızı Topluluk Forumumuzda paylaşın.

    Foruma Katıl & Yanıtla ➔
    Forumda sor / tartış
    AÇIK LABORATUVAR / TARTIŞMA

    1 yorum

    Fikrinizi bir kaynak, soru veya yapıcı karşı görüşle geliştirin.

    Tartışmaya katıl

    E-posta adresiniz yayımlanmaz. Zorunlu alanlar * ile işaretlidir.

    SEARCH / 001

    En az 3 karakter yazın.

    ATLAS / NAVIGATION

    Bilgi alanları

    Ağ Bağlantıları:Robot Süpürge • Uzay & Astronomi • Bilim Haberleri • Tarih • Donanım Forumu
    \n\n