<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Serkan Kaan Bahşi on Medium]]></title>
        <description><![CDATA[Stories by Serkan Kaan Bahşi on Medium]]></description>
        <link>https://medium.com/@srknbhs?source=rss-c8f54cf996f9------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*_N2S4A90oHOV2F_f.jpg</url>
            <title>Stories by Serkan Kaan Bahşi on Medium</title>
            <link>https://medium.com/@srknbhs?source=rss-c8f54cf996f9------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sat, 21 Nov 2026 04:43:00 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@srknbhs/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Sinirsel Stil Transferi]]></title>
            <link>https://medium.com/novaresearchlab/sinirsel-stil-transferi-3c7ecb8adbf7?source=rss-c8f54cf996f9------2</link>
            <guid isPermaLink="false">https://medium.com/p/3c7ecb8adbf7</guid>
            <category><![CDATA[yapay-zeka]]></category>
            <category><![CDATA[neural-networks]]></category>
            <category><![CDATA[tensorflow]]></category>
            <category><![CDATA[neural-style-transfer]]></category>
            <category><![CDATA[deep-learning]]></category>
            <dc:creator><![CDATA[Serkan Kaan Bahşi]]></dc:creator>
            <pubDate>Thu, 05 Nov 2020 20:58:28 GMT</pubDate>
            <atom:updated>2020-11-05T20:58:28.711Z</atom:updated>
            <content:encoded><![CDATA[<p>Bu yazıda <a href="https://arxiv.org/abs/1508.06576">https://arxiv.org/abs/1508.06576</a> linkinde bulunan makaleyi baz alarak Sinirsel Stil Transferini açıklamak istedim. Yazıyı okumada CNN bilgisi önerilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/1*pmCnwNdd7h84SXoG3jgktg.png" /><figcaption>Fig 1: Sinirsel Stil Aktarımı Örnekleri[1]</figcaption></figure><p>Bir sanatçının tarzını başka bir eserde görmek istemiş miydiniz? Sinirsel Stil Transferi(Neural Style Transfer) bunun için var. Yaratıcı yapay zekanın eğlenceli alanlarından biri olan Sinirsel Stil Transferi(SST), gücünü CNN’lerin eğitim sırasında katmanlarda öğrendiği bilgilerden alıyor.</p><h4>Yazıda Türkçeye Çevirdiğim Kavramların Karşılıkları</h4><ul><li>özellik uzayı =&gt; feature space</li><li>özellik haritası =&gt; feature map</li><li>özellik tepkisi =&gt; feature response</li></ul><h4><strong>Basitçe Sinirsel Stil Transferi</strong></h4><p>SST’de mimariye 2 resim veriyoruz. Resimlerden birinin içeriğini alıyoruz diğer resmin ise stilini alıyoruz. Bu iki resimden aldığımız değerleri white noise image üzerinde optimize ediyoruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/955/1*4Pm-XwKTevANbKtiI_RQ5w.png" /><figcaption>Fig 2: Sinirsel Stil Aktarımı Girdileri[2]</figcaption></figure><p><strong>Stilin ve İçeriğin Elde Edilmesi</strong></p><p>Öncelikli olarak içerikten başlayalım. CNN’ler nesne tespiti üzerine eğitildiğinde her katmanın özellik haritasında resme dair bilgiler tutuluyor. Derin katmanlarda daha çok resmin içeriğine dair bilgiler bulunurken, ilk katmanlarda daha çok piksel değerleri tutuluyor. Bu yüzden derin katmanlardaki özellik tepkilerine (feature response) <strong>içeriğin temsili</strong> diyoruz.</p><p>Stili elde etmek içinse normalde resmin doku bilgisine sahip olan özellik uzayını kullanıyoruz. Özellik uzayı bir katmandaki özellik tepkileri arasındaki ilişki üzerine kuruluyor. Birden çok katmandaki özellikler arasındaki bağlantıyı kullanarak, resmin çok ölçekli bir temsilini elde ediyoruz. Bu temsil resmin genel dağılımından çok doku bilgisini içeriyor.</p><p>Şimdiye kadar gördüklerimiz bir miktar CNN bilgisi istemekte. O yüzden bu kadar görsel bilgi içeren bir konuyu bir resim ile örneklendirmek lazım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*IFCXqi9YPSypp8AUIfU9Zg.png" /><figcaption>Fig 3: Stil ve İçeriğin Ayrıştırılması[3]</figcaption></figure><p>Resmin üst kısmında stilin yeniden yapılanması, alt kısmında ise içeriğin yeniden yapılandırılması gösterilmektedir.</p><p><strong>İçeriğin Yeniden Yapılandırılması</strong>: CNN mimarisinde belirli bir katmanın farklı işleme aşamalarındaki tepkilerini kullanarak resmi yeniden yapılandırabiliriz. Bu yeniden yapılandırmayı VGG mimarisindeki ‘conv1 1’ (a), ‘conv2 1’ (b), ‘conv3 1’ ©, ‘conv4 1’ (d) ve ‘conv5 1’ (e) katmanlarını kullanarak yapıyoruz. İlk katmanlarda yeniden yapılandırdığımızda piksel değerlerini korurken(a,b,c) daha derin katmanlarda orijinal piksel değerlerinde kayıp olmasına rağmen resmin üst seviye içerik bilgisi korunmakta(d,e).</p><p><strong>Stilin Yeniden Yapılandırılması:</strong> Orijinal CNN temsili üzerine üretilen yeni özellik uzayı ile resmin stili elde edilebiliyor. Stili yeniden yapılandırma işleminde farklı katmanlardaki özelliklerin aralarındaki ilişkiler hesaplanıyor. Yukarıda verilen şekiller, farklı katmanlar arasındaki ilişkilerin hesaplanıp yeniden yapılandırılması ile elde edildi. ‘Conv1 1’ (a), ‘conv1 1’ ve ‘conv2 1’ (b), ‘conv1 1’, ‘conv2 1’ ve ‘conv3 1’ ©, ‘conv1 1’, ‘conv2 1’, ‘conv3 1’ ve ‘conv4 1’ (d), ‘conv1 1’, ‘conv2 1’, ‘conv3 1’, ‘conv4 1’ ve ‘conv5 1’ (e).</p><p>Bu bilgiler ışığında şunu söyleyebiliriz. CNN’de bir resmin içeriği ve stili tamamen ayrılabilir şeyler. Bu sayede istediğimiz şekilde stili veya içeriği manipüle edebiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*WYt1sSwEFgLy9NZX9e8LUw.png" /><figcaption>Fig 4: Farklı Stillerin Aynı İçeriğe Aktarımı[3]</figcaption></figure><p>Yukardaki resimde de görülebileceği gibi bazı resimlerde ev yapısı nerdeyse kaybolmuş durumda. Ama bu sorunu çözmek için elimizde bir kayıp fonksiyonu var.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*NW_k8rb97B0_r4Zk0t-7tw.png" /><figcaption>Fig 5: Üretilen Resimde Kayıp Fonksiyonlarının Etkileri[3]</figcaption></figure><p>Yukarıdaki resimde üst kısımda olan sayılar içerik ve stil fonksiyonunun katsayılarının oranı a/b. İçeriğin katsayısı a, stilin katsayısı ise b. Bu katsayılar ile oynayarak üretilen resimlerde içerik veya stil fonksiyonun etkileri değiştirilebilir.</p><h4>Kısaca VGG Mimarisi</h4><p>Türkçesi Büyük Boyutta Resim Tanımak İçin Çok Derin Konvolüsyonal Ağlar(<a href="https://arxiv.org/abs/1409.1556v6">Very Deep Convolutional Networks for Large-Scale Image Recognition</a>)olan VGG19, VGG mimarisinin bir türevi olup 19 katmandan oluşmaktadır. (16 convolution layers, 3 Fully connected layer, 5 MaxPool layers and 1 SoftMax layer)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/996/1*tleLywfSst1mAvHiVWzxWQ.png" /><figcaption>Fig 6: VGG 19 Mimarisi[4]</figcaption></figure><h3>Kayıp Fonksiyonları</h3><p><strong>İçerik kayıp fonksiyonu </strong>derin katmanlardaki aktivasyonun hem yaratılacak resim hem de içeriği alınacak resim için benzer olmasını sağlıyor.<strong> Stil kayıp fonksiyonu</strong> ise her katmandaki ilişkilerin aktivasyonun hem stili alınacak resim hem de yaratılacak resim için benzer olmasını sağlıyor</p><h4>İçerik Kayıp Fonksiyonu</h4><p>İçerik kayıp fonksiyonu yaratılan resimde istediğimiz içeriğin olmasını sağlamak için var. Formülde <em>p</em> içeriği alınacak resim, <em>x</em> yaratılan resim ve <em>l </em>ise katman. İşleme gelirsek <em>F</em> yaratılan resmin aktivasyonları, <em>i’inci </em>özellik haritası, <em>j’inci </em>pozisyon ve l ise kaçıncı katman olduğunu belirtiyor. <em>P </em>ise orijinal resim için kullanılıyor<em>.</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/733/1*0DmV-Pu-yeHix3ZVVeJz-w.png" /></figure><p>L burada orijinal resim ile yaratılan resmin aktivasyonları arasındaki ortalama karesel hatayı tutuyor.</p><h4>Stil Kayıp Fonksiyonu</h4><p>Stil kayıp fonksiyonunda önce bahsettiğimiz katmanlar arasındaki ilişkileri incelememiz gerekiyor. Bunun içinde katmanlardaki aktivasyonların iç çarpımlarını almak gerekiyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/404/1*qtL06DKeo0iAcmrvc8EHdw.png" /></figure><p>Farklı katmanlardaki aktivasyonların iç çarpımını alarak <strong>gram matrisini</strong> elde ediyoruz. Sonrasında stili verilen resme uygun olan bir doku üretmek için de orijinal resmin gram matrisi ile üretilen resmin gram matrisi arasındaki ortalama karesel hatayı düşürmeye çalışıyoruz. Aşağıdaki formülde <em>G</em> üretilen resim, <em>A</em> orijinal resim, <em>Nl</em> bir katmandaki özellik haritası miktarı ve <em>Ml</em> ise özellik haritasının boyutlarının çarpımı.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/635/1*yH3oRU3Ty7Jvg1UxGf4V6A.png" /></figure><p>Aşağıda ise kayıp formülü bulunmakta. Formülde <em>a</em> orijinal resim, <em>x </em>üretilen resim <em>wl</em> ise her katmanın kayıp fonksiyonuna etkisinin ağırlığı.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/508/1*RfoEzTkvX_HO5hMJP6_gSA.png" /></figure><p><strong>Son Kayıp Fonksiyonu</strong></p><p>Burada ise içerik ve stil kayıp fonksiyonlarının toplam kayba etkisi <em>alpha(a)</em> ve <em>beta(b)</em> parametleri ile belirleniyor. Bu parametreler önceki örnekteki gibi değiştirilebiliyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/925/1*2q8_6Wj5fWJrTUxuBli2Zw.png" /></figure><h4>Başka Neler Yapabilir?</h4><p>Şimdilik stil ve içerik ayrımı yaparak resimler üretse bile yaratıcı yapay zeka alanı gün geçtikçe daha da hızlanıyor. İlerde zarar görmüş resimler yapay zekanın yardımı sayesinde yeniden yaratılabilir. Hatta birden fazla ressamın stillerini öğrenip kendi stilini yaratabilir. Eğer sizde stil aktarımını kendi gözleriniz ile görmek istiyorsanız: <a href="https://www.tensorflow.org/tutorials/generative/style_transfer">https://www.tensorflow.org/tutorials/generative/style_transfer</a> linkinden adımları takip edip kendi seçtiğiniz iki resmi yükleyerek ne kadar başarılı olduğunu görebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*IAEiu6ootK_SB_u0ucTYsw.jpeg" /><figcaption>Fig 7: Yazarın Denemeleri</figcaption></figure><h4>Kaynaklar</h4><ul><li>[1] <a href="https://towardsdatascience.com/light-on-math-machine-learning-intuitive-guide-to-neural-style-transfer-ef88e46697ee">https://towardsdatascience.com/light-on-math-machine-learning-intuitive-guide-to-neural-style-transfer-ef88e46697ee</a></li><li>[2]<a href="https://www.xpertup.com/blog/deep-learning/neural-style-transfer/">https://www.xpertup.com/blog/deep-learning/neural-style-transfer/</a></li><li>[3] <a href="https://arxiv.org/abs/1508.06576">https://arxiv.org/abs/1508.06576</a></li><li>[4] <a href="https://iq.opengenus.org/vgg19-architecture/">https://iq.opengenus.org/vgg19-architecture/</a></li><li><a href="https://medium.com/tensorflow/neural-style-transfer-creating-art-with-deep-learning-using-tf-keras-and-eager-execution-7d541ac31398">https://medium.com/tensorflow/neural-style-transfer-creating-art-with-deep-learning-using-tf-keras-and-eager-execution-7d541ac31398</a></li><li><a href="https://www.tensorflow.org/tutorials/generative/style_transfer">https://www.tensorflow.org/tutorials/generative/style_transfer</a></li><li><a href="https://towardsdatascience.com/light-on-math-machine-learning-intuitive-guide-to-neural-style-transfer-ef88e46697ee">https://towardsdatascience.com/light-on-math-machine-learning-intuitive-guide-to-neural-style-transfer-ef88e46697ee</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=3c7ecb8adbf7" width="1" height="1" alt=""><hr><p><a href="https://medium.com/novaresearchlab/sinirsel-stil-transferi-3c7ecb8adbf7">Sinirsel Stil Transferi</a> was originally published in <a href="https://medium.com/novaresearchlab">novaresearchlab</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>