Abstract – Human-Computer interaction (HCI) is a multidisciplinary study area that interested in interactive technology design, evaluation and application. Human-Computer interaction (HCI) is on all area of life such as banks, hospitals, schools and websites. Human-Computer interaction (HCI) that has acceleration after 2000’s, is priority working topic nowadays. Deep learning is one of the applications of Human-Computer interaction (HCI). Output of the previous layer is input for the next layer in deep learning. The main architectures of deep learning are Convolutional Neural Network (CNN), Recurrent Neural Network (RNN), Long-Short Term Memory (LSTM), Restricted Boltzmann Machiness (RBM), Autoencoders (AE). Convolutional Neural Network (CNN) are detector that have many layers. Convolutional Neural Network (CNN) has so many applications related with image, sound, language processing and biomedical; hovewer the best practice is on image processing for Convolutional Neural Network (CNN). In addition, Convolutional Neural Network (CNN) has succesfull applications on semantic decomposition, search results, sentece modelling, classification and prediction. This study is a review study for investigation of some studies that are done for improving image classification based on Convolutional Neural Network (CNN). It seems that applications based on Convolutional Neural Network (CNN) has high successful ratio according to test results that are acquired from the investigated studies. Özet – İnsan ve bilgisayar etkileşimi, interaktif teknolojilerin tasarımı, değerlendirilmesi ve uygulanması ile ilgilenen disiplinler arası bir çalışma alanıdır. Bankalar, hastaneler, okullar, internet siteleri gibi hayatın her alanında insan ve bilgisayar etkileşimi alanından bir uygulama görmek mümkündür. 2000li yıllarda ivme kazanan insan ve bilgisayar etkileşimi çalışmaları günümüzde de öncelikli alanlar arasında yer almaktadır. Derin öğrenme de insan ve bilgisayar etkileşimi alanının uygulamalarından biridir. Derin öğrenme, her ardışık katmanda, önceki katmanın çıktısının kendisine girdi olarak alınması prensibine dayanır. Derin öğrenmenin başlıca mimarileri Konvolüsyonel Sinir Ağları(CNN), Tekrarlayan Sinir Ağları(RNN), Uzun-Kısa vadeli Hafıza Ağları(LSTM), Sınırlı Boltzman Makineleri(RBM), Derin Oto-Kodlayıcıları(AE)’dır. Konvolüsyonel sinir ağları (CNN) çok katmanlı algılayıcıdır. Görüntü, ses, dil işleme ve biyomedikal alanlarında uygulama örnekleri bulunmakta olup bunlardan en iyi sonuçlar görüntü işleme alanında uygulanmıştır. Ayrıca Konvolüsyonel Sinir Ağları (CNN) anlamsal ayrıştırma, arama sorgusu, cümle modelleme, sınıflandırma, tahmin problemleri gibi alanlarda da başarılı sonuçlar vermiştir. Bu çalışmada Konvolüsyonel Sinir Ağları (CNN) tabanlı görüntü işleme-sınıflandırma uygulamalarının iyileştirilmesine yönelik literatürde yapılan bazı çalışmalar incelenerek derlenmiştir. CNN tabanlı geliştirilen uygulamaların incelenen çalışmalarda yapılan deney sonuçlarına göre yüksek doğruluk oranları yakaladıkları gözlemlenmiştir.

Keywords - Deep Learning, Convolution Neural Network (CNN), Image Classification

[1] V. Bush, As We May Think, 1945.

[2] D. C. Cirean, U. Meier, J. Masci, and L. M. Gambardella, Flexible, High Performance Convolutional Neural Networks for Image Classification, in Proceedings of the Twenty-Second international joint conference on Artificial Intelligence, pp. 1237–1242, 2012.

[3] M. Sarıgül, B.M. Ozyildirim, M. Avci, Differential convolutional neural network., Neural Networks 116, 279–287, 2019.

[4] B.B.Traorea, B. Kamsu-Foguema, F. Tangarab, Deep convolution neural network for image recognition, Ecological Informatics 48, 257–268, 2018.

[5] Y. Seo, K. Shin, Hierarchical convolutional neural networks for fashion image classification, Expert Systems With Applications 116, 328–339, 2019.

[6] E. Cetinic, T. Lipic, S. Grgic, Fine-tuning Convolutional Neural Networks for fine art classification, Expert Systems With Applications 114, 107–118, 2018.

[7] H. Han, Y. Li, X. Zhu, Convolutional neural network learning for generic data classification, Information Sciences 477 (2019) 448–465.

[8] Y. Park, H. S. Yang, Convolutional neural network based on an extreme learning machine for image classification, Neurocomputing 339, 66–76, 2019.

[9] M. Santos, A. Filho, W. Santos, Deep convolutional extreme learning machines: Filters combination and error model validation, Neurocomputing 329, 359–369, 2019.

[10] L. Coletta, M. Ponti, E. Hruschkab , A. Acharya, J. Ghosh, Combining clustering and active learning for the detection and learning of new image classes, Neurocomputing 358, 150–165, 2019.

[11] J. Yuan, X. Hou, Y. Xiao, D. Cao, W. Guan, L .Nie, Multi-criteria active deep learning for image classification, Knowledge-Based Systems 172, 86–94, 2019.

[12] S. Matiz, K. E. Barner, Inductive conformal predictor for convolutional neural networks: Applications to active learning for image classification, Pattern Recognition 90, 172–182, 2019.

[13] D. Sönmez, Geri Yayılım Algoritması’na Matematiksel Yaklaşım, http://www.derinogrenme.com/2018/06/28/geri-yayilimalgoritmasina-matematiksel-yaklasim/ , 2018.