Indoor scene recognition is a computer vision task that identifies various indoor environments, such as offices, libraries, kitchens, and restaurants. This research area is particularly significant for applications in robotics, security, and assistance for individuals with disabilities, as it enables the categorization of spaces and the provision of contextual information. Convolutional Neural Networks (CNNs) are commonly employed in this field. While CNNs perform well in outdoor scene recognition by focusing on global features such as mountains and skies, they often struggle with indoor scenes, where local features like furniture and objects are more critical. In this study, the “MIT 67 Indoor Scene” dataset is used to extract and combine features from both a CNN and a text-based model utilizing object recognition outputs, resulting in a two-channel hybrid model. The experimental results demonstrate that this hybrid approach, which integrates natural language processing and image processing techniques, improves the test accuracy of the image processing model by 8.3%, achieving a notable success rate. Furthermore, this study offers contributions to new application areas in remote sensing, particularly in indoor scene understanding and indoor mapping.

Meta-sezgisel optimizasyon yöntemleri geleneksel algoritmalarla çözümün çok maliyetli olacağı büyük ölçekli gerçek hayat problemleri için başarılı sonuçlar sergilemekte ve birçok alandan araştırmacının ilgi odağı haline gelmektedir. Bu alana duyulan ilgi sayesinde genetik, fizik, biyoloji, müzik gibi ilhamını çeşitli kaynaklardan alan araştırmacılar, yeni meta-sezgisel algoritmalar oluşturmaya devam etmektedir. Şubat 2022’de yayımlanan Bal Porsuğu Algoritması (Honey Badger Algorithm, HBA), ilhamını bal porsuğunun yiyecek arama stratejilerine dayandırmaktadır. Bu çalışmada HBA’nın yanı sıra alan yazının başarısı kanıtlanmış algoritmalarından olan Genetik Algoritma (Genetik Algorithm, GA), Parçacık Sürü (Partical Swarm Optimization, PSO), Yapay Arı Kolonisi (Artificial Bee Colony, ABC), Karınca Kolonisi (Ant Colony Optimization, ACO), Benzetimli Tavlama (Simulated Annealing, SA) algoritmaları, bir yapı problemi olan “üç elemanlı kafes sisteminin ağırlık ve maliyet minimizasyonu” na uygulanmaktadır. Elde edilen sonuçlara göre HBA’ nın, GA, ABC, ACO, SA algoritmalarına kıyasla daha iyi yakınsama hızına ve değerlere ulaştığı gözlemlenmektedir.