Özet:
Bu tez çalışmasında, derin öğrenme yöntemleri kullanılarak sanat resimlerinin "Tür", "Sanatçı" ve "Stil" bazında sınıflandırma performansları incelenmiştir. Sanat resimlerinin sınıflandırılmasına yönelik çalışmalarda, konvolüsyonel sinir ağı (CNN) tabanlı yöntemler, özellik çıkarma konusundaki başarıları sayesinde alanda etkili sonuçlar vermiştir. Ancak yapılarında yer alan dikkat mekanizmaları sayesinde bilgisayarlı görü alanında daha yüksek performans sergileyen dönüştürücü (transformer) tabanlı modeller, son yıllarda bu alanda daha fazla tercih edilmiştir. Bu çalışmada CNN tabanlı ResNet, MobileNet, EfficientNet ve ConvNeXt ile dönüştürücü tabanlı ViT, Swin, BEiT ve DeiT modelleri kullanılarak sınıflandırma deneyleri gerçekleştirilmiştir. Deneylerde, çevrimiçi erişime açık WikiArt veri kümesi kullanılmıştır. “Sanatçı” ve “Tür” kategorilerinde en yüksek sınıflandırma doğrulukları sırasıyla %84,90 ve %79,52 ile BEiT modeliyle elde edilirken, “Stil” kategorisinde en iyi sonuç %72,59 doğrulukla Swin modeliyle elde edilmiştir. Dönüştürücü tabanlı yöntemlerin, CNN tabanlı yöntemlere kıyasla daha başarılı sonuçlar verdiği gözlemlenmiştir.Ayrıca tez kapsamında yapılan deneylerin literatürdeki benzer çalışmalarla karşılaştırılması sonucunda, dönüştürücü tabanlı modellerin sanat resimlerinin sınıflandırılmasında mevcut çalışmalara kıyasla daha yüksek performans sunduğu görülmüştür.
