CBAM Destekli Mobilenet Tabanlı Derin Öğrenme İle Mobilya Görüntü Tanıma: Hafif ve Etkin Bir Yaklaşım

Mobilya görüntü sınıflandırma ve tanıma için CBAM (Convolutional Block Attention Module) destekli MobileNet tabanlı derin öğrenme yöntemi önerilmektedir. Bu yaklaşım, hafif yapısı ve dikkat modülü entegrasyonuyla yüksek doğruluk ve verimlilik sunmaktadır. Deneysel sonuçlar, CBAM ile optimize edilen MobileNetV1 modelinin %99.78 doğruluk oranıyla yüksek performans gösterdiğini ortaya koymaktadır. Veri artırma teknikleri ise modellerin genelleme yeteneğini güçlendirmiştir. MobileNetV1 yalın halde %98.71 doğruluk sağlarken, veri artırma sonrası bu değer hafif bir performans düşüşü göstermektedir (%98.44). CBAM entegrasyonu doğruluğu %99.78’e yükseltmiş, ancak CBAM ve veri artırmanın birlikte kullanımı %99.57 doğrulukla biraz daha düşük performans sunmaktadır. MobileNetV2 modeli de benzer şekilde, CBAM ve veri artırma ile %99.46 doğruluk oranı ile yüksek ve dengeli performans göstermektedir. NASNetMobile modeli ise CBAM ile %98.71 doğrulukla istikrarlı bir başarı sergilemektedir. Bu bulgular, model mimarisi, dikkat mekanizmaları ve veri çeşitliliğinin mobilya görüntü tanımada başarı için kritik olduğunu göstermektedir. Ayrıca, önerilen yöntem düşük hesaplama gereksinimleri sayesinde mobil ve gömülü sistemlerde uygulanabilir bir çözüm sunmaktadır.