A Comparative Analysis of Convolutional Neural Network Architectures for Binary Image Classification: A Case Study in Skin Cancer Detection

Şerife Gül Korkut; Hatice Kocabaş; Rifat Kurban

Makale detayları

A Comparative Analysis of Convolutional Neural Network Architectures for Binary Image Classification: A Case Study in Skin Cancer Detection

Yazarlar:

Şerife Gül Korkut | Hatice Kocabaş | Rifat Kurban

Yayıncı:

Giresun University

Ana Başlıklar:

Bilgisayar Yazılımı

Dergi:

Karadeniz Fen Bilimleri Dergisi Vol.14 Issue 4, pp.2008-2022

Belge Tipi:

Makale

Yayın Tarihi:

12/2024

Belge Dili:

İngilizce

Document ID (Org No.):

2001333411

pISSN:

2564-7377

Anahtar kelimeler:

Özet:

 In this study, a comprehensive comparative analysis of Convolutional Neural Network CNN architectures for binary image classification is presented with a particular focus on the benefits of transfer learning. The performance and accuracy of prominent CNN models, including MobileNetV3, VGG19, ResNet50, and EfficientNetB0, in classifying skin cancer from binary images are evaluated. Using a pre-trained approach, the impact of transfer learning on the effectiveness of these architectures and identify their strengths and weaknesses within the context of binary image classification are investigated. This paper aims to provide valuable insights for selecting the optimal CNN architecture and leveraging transfer learning to achieve superior performance in binary image classification applications, particularly those related to medical image analysis.

 In this study, a comprehensive comparative analysis of Convolutional Neural Network CNN architectures for binary image classification is presented with a particular focus on the benefits of transfer learning. The performance and accuracy of prominent CNN models, including MobileNetV3, VGG19, ResNet50, and EfficientNetB0, in classifying skin cancer from binary images are evaluated. Using a pre-trained approach, the impact of transfer learning on the effectiveness of these architectures and identify their strengths and weaknesses within the context of binary image classification are investigated. This paper aims to provide valuable insights for selecting the optimal CNN architecture and leveraging transfer learning to achieve superior performance in binary image classification applications, particularly those related to medical image analysis.

 In this study, a comprehensive comparative analysis of Convolutional Neural Network CNN architectures for binary image classification is presented with a particular focus on the benefits of transfer learning. The performance and accuracy of prominent CNN models, including MobileNetV3, VGG19, ResNet50, and EfficientNetB0, in classifying skin cancer from binary images are evaluated. Using a pre-trained approach, the impact of transfer learning on the effectiveness of these architectures and identify their strengths and weaknesses within the context of binary image classification are investigated. This paper aims to provide valuable insights for selecting the optimal CNN architecture and leveraging transfer learning to achieve superior performance in binary image classification applications, particularly those related to medical image analysis.

 Bu çalışmada, ikili görüntü sınıflandırması için Evrişimsel Sinir Ağı CNN mimarilerinin kapsamlı bir karşılaştırmalı analizi sunulmuş ve transfer öğreniminin faydalarına vurgu yapılmıştır. MobileNetV3, VGG19, ResNet50 ve EfficientNetB0 gibi önde gelen CNN modellerinin ikili görüntülerden cilt kanseri sınıflandırmadaki performans ve doğruluğu değerlendirilmiştir. Önceden eğitilmiş bir yaklaşım kullanılarak, transfer öğreniminin bu mimarilerin etkinliği üzerindeki etkisi araştırılmış ve ikili görüntü sınıflandırması bağlamında güçlü ve zayıf yönleri belirlenmiştir. Bu makale, optimal CNN mimarisinin seçimi ve transfer öğreniminden yararlanarak ikili görüntü sınıflandırma uygulamalarında, özellikle tıbbi görüntü analiziyle ilgili olanlarda, üstün performans elde etme konusunda değerli içgörüler sağlamayı amaçlamaktadır.

Makale detayları

A Comparative Analysis of Convolutional Neural Network Architectures for Binary Image Classification: A Case Study in Skin Cancer Detection

Yazarlar:

Şerife Gül Korkut | Hatice Kocabaş | Rifat Kurban

Yayıncı:

Giresun University

Ana Başlıklar:

Bilgisayar Yazılımı

Dergi:

Karadeniz Fen Bilimleri Dergisi Vol.14 Issue 4, pp.2008-2022

Belge Tipi:

Makale

Yayın Tarihi:

12/2024

Belge Dili:

İngilizce

Document ID (Org No.):

2001333411

pISSN:

2564-7377

Convolutional Neural Networks (CNNs)

Transfer Learning

Binary Image Classification

CNN Architecture Comparison

Skin Cancer DetectionEvrişimsel Sinir Ağları (CNN

Transfer Öğrenimi

İkili Görüntü Sınıflandırma

CNN Mimari Karşılaştırması

Cilt Kanseri Tespiti

Sayı

Makale detayları

Yazarlar: Şerife Gül Korkut | Hatice Kocabaş | Rifat Kurban

Yayıncı: Giresun University

Ana Başlıklar: Bilgisayar Yazılımı

Dergi: Karadeniz Fen Bilimleri Dergisi Vol.14 Issue 4, pp.2008-2022

Belge Tipi: Makale

Yayın Tarihi: 12/2024

Belge Dili: İngilizce

Document ID (Org No.): 2001333411

pISSN: 2564-7377

Sayı

Yazarlar:

Şerife Gül Korkut | Hatice Kocabaş | Rifat Kurban

Yayıncı:

Giresun University

Ana Başlıklar:

Bilgisayar Yazılımı

Dergi:

Karadeniz Fen Bilimleri Dergisi Vol.14 Issue 4, pp.2008-2022

Belge Tipi:

Makale

Yayın Tarihi:

12/2024

Belge Dili:

İngilizce

Document ID (Org No.):

2001333411

pISSN:

2564-7377