Neuroverkkojen optimointi evoluutioalgoritmin avulla eri kuvantunnistustehtävissä : Neuroverkkojen optimointi evoluutioalgoritmin avulla eri kuvantunnistustehtävissä

Tässä tutkielmassa tarkastellaan evoluutioalgoritmien käyttöä konvoluutioisten neuroverkkojen (CNN) optimoinnissa kuvien luokittelutehtäviä varten. Vaikka CNN:t ovatkin nousseet keskeiseksi osaksi tietokonenäköön liittyviä sovelluksia, kuten terveydenhuoltoa, itseajavia ajoneuvoja ja maataloutta, optimaalisten arkkitehtuurien suunnittelu on edelleen monimutkainen ja resursseja vaativa haaste. Tämän ongelman ratkaisemiseksi tutkimuksessa selvitetään, voiko luonnonvalinnan periaatteisiin perustuvat evoluutioalgoritmit ylittää manuaalisesti suunnitellut CNN-arkkitehtuurit kehittämällä verkkojen rakenteita automaattisesti mutaatioiden ja risteytysten avulla. Tutkimuksessa sovelletaan evoluutio-optimointikehystä kahteen julkisesti saatavilla olevaan aineistoon: nisäkkäiden kuvien luokitteluaineistoon ja kasvojen ilmeiden tunnistamistaineistoon. Empiiriset tulokset osoittavat luokittelutarkkuuden parantuneen merkittävästi ensimmäisen evoluutio-optimointisukupolven jälkeen, noin 30 ja 20 prosenttiyksikköä. Tulokset vahvistavat evoluutioalgoritmien potentiaalin neuroarkkitehtuurin etsinnässä, erityisesti tilanteissa, joissa manuaalinen suunnittelu on epäkäytännöllistä. Opinnäytetyö päättyy korostamalla tarvetta vankempiin mutaatiostrategioihin, adaptiivisiin valintamekanismeihin ja tulevaisuuden validointiin suuremmilla, monipuolisemmilla tietokannoilla skaalautuvuuden ja luotettavuuden parantamiseksi.

This thesis examines the use of evolutionary algorithms in the optimization of convolutional neural networks (CNNs) for image classification tasks. Although CNNs have become a central part of computer vision applications such as healthcare, self-driving vehicles, and agriculture, designing optimal architectures remains a complex and resource-intensive challenge. To address this problem, the study investigates whether evolutionary algorithms based on natural selection principles can outperform manually designed CNN architectures by automatically developing network structures through mutations and crossovers. The study applies an evolutionary optimization framework to two publicly available datasets: a mammalian image classification dataset and a facial expression recognition dataset. Empirical results show that classification accuracy improved significantly after the first generation of evolutionary optimization, by approximately 30 and 20 percentage points. The results confirm the potential of evolutionary algorithms in the search for neuroarchitectures, especially in situations where manual design is impractical. The thesis concludes by emphasizing the need for more robust mutation strategies, adaptive selection mechanisms, and future validation with larger, more diverse databases to improve scalability and reliability.