TR Dizin İndeksli Yayınlar Koleksiyonu / TR Dizin Indexed Publications Collection
Permanent URI for this collectionhttps://hdl.handle.net/20.500.14365/4
Browse
3 results
Search Results
Research Project Kendiliğinden Organize Evrimsel Sınıflandırıcı Ağları Bulutları ile Büyük Çokboyutlu Sar Görüntü Depoları Yönetimi(2017) İnce, Türker; Kıranyaz, Serkan; Ahıshalı, M. MeteUzaktan algılama alanında önemli uygulamalardan birisi olan Polarimetrik SAR (PolSAR) görüntüleri üzerinden arazi sınıflandırması bu zamana kadar çeşitli öznitelikler ve sınıflandırıcıların önerildiği aktif bir araştırma alanı olmuştur. Ancak, bu alandaki hemen hemen tüm çalışmalar sadece tek bir SAR görüntüsünün sınıflandırılması problemini ele almış ve büyük SAR görüntü depolarının elde edilmesi aşamasından bu alandaki uzmanlar tarafından görüntülerin tüketimini (görselleştirme ve analizi) içeren etkin bir yönetimi hala büyük ölçüde keşfedilmemiş veya tamamen bilinmemektedir. Bunun temel nedeni, depolama, indeksleme, sınıflandırma ve aynı zamanda erişim ve görselleştirme alanlarında zorluklar çıkartan bu problemin büyüklüğüdür. Bu proje büyük çokboyutlu SAR veri depolarında endeksleme, sınıflandırma, arama ve erişim problemini çözmek amacıyla makine öğrenme ve işaret işleme alanında en son gelişmiş teknolojileri kullanarak yeni bir çerçeve yapı geliştirmektedir. Bu çalışmada SAR verisi karakteristiklerini tanımlamak için elektromanyetik öznitelikler ile bunların farklı dönüşümleri ve gösterimleri (örneğin hedef ayrıştırma teoremleri), ve diğer görüntü işlemeye dayalı ikincil öznitelikler (örneğin desen, renk) kullanılmıştır. Bu öznitelikler daha sonra kendiliğinden organize ve daha önce geliştirdiğimiz Çok boyutlu Parçacık Sürü Optimizasyonu (MD PSO) algoritması kullanılarak eğitimi eniyilenmiş olan İkili Sınıflayıcı Ağları (NBC) bulutlarını geliştirmek için kullanılmaktadır. NBC topolojisi, bir sınıflayıcı topluluğu prensibine dayalı olarak bir sınıfı öğrenmek veya diğerleri arasından ayırt etmek amacıyla, büyük çok doruklu (multimodal) öznitelikler kümesi kullanılmasına imkan vermektedir. Bu şekilde, sistem ile kullanıcı etkileşimi oluştuğunda her biri artımlı geliştirilebilecek ve her bir sınıf için NBC bulutları oluşacaktır. Böylece, bir uzman kullanıcı tarafından herhangi bir geri besleme sistemi doğrudan geliştirmek ve sınıflandırma hatalarını azaltmak mümkündür. Sistem belli bir olgunluğa ulaştıktan sonra, gerektiğinde artımlı geliştirmeler gerçekleştirerek depodaki diğer SAR görüntülerini sınıflandırmak için kullanılabilmektedir. Mevcut uçak veya uydu tabanlı SAR sensörlerinden araştırma amaçlı sağlanan erişime açık gerçek veriler kullanılarak gerçekleştirilen testlerde önerilen sistemin farklı arazi türlerini yüksek başarı ve verimlilikle öğrenebildiği gösterilmiştir.Research Project Genetik Arama ve Artımlı Öğrenen Yapay Sinir Ağı Sınıflayıcı Topluluklarına Dayalı Giysi Tasarım Algoritması ve Web Tabanlı Bir Giysi Öneri Platformunun Geliştirilmesi(2017) Bulgun, Ender; İnce, Türker; Güzeliş, Cüneyt; Vuruşkan, ArzuBu proje kapsamında, farklı vücut şekillerine uygun giysi tasarımı önerilerinin kullanıcılara sunulabilmesi için, genetik arama ve yapay sinir ağı sınıflandırması ile web tabanlı bir giysi tasarım platformu geliştirilmiştir. Çalışmada öncelikle, vücut şekli ve giysi formu arasında uyumu hedefleyerek, üst beden ve alt beden giysilerinin kombinasyonları veya elbise modelleri ile bunlara ait ayrıntıları içeren öznitelik kategorileri yaratılarak bir bilgi tabanı oluşturulmuştur. Tasarım önerilerinin geliştirilmesi ve kullanıcıya sunulması için 2 boyutlu 2080 giysi tasarımından oluşan bir arşiv yaratılmış ve 4 farklı vücut şekline uygun giysi kombinasyon örnekleri belirlenmiştir. Çalışmanın sonraki aşamasında, tasarım önerilerinin kullanıcıya sunulacağı etkileşimli web tabanlı bir platform tasarlanmıştır. Tasarlanan platformda, ilk olarak Yapay Sinir Ağı (YSA) sınıflayıcı olarak mevcut literatürden farklı olmak üzere, her bir giysi özelliğinin vücut şekli ile ilişkisini artımlı öğrenebilen YSA toplulukları kullanılmıştır. Böylece, kullanıcıların geri bildirimleriyle, sistemin sürekli bir biçimde artımlı olarak kendini geliştirmesi sağlanmıştır. Ancak, bu geliştirilen akıllı sistem yapısının artımlı öğrenme performansının istikrarlı olmadığı gözlenmiş ve iyileştirilememiştir. Artımlı öğrenme amacını YSA sınıflandırıcıları ile gerçekleştirmek yerine, Etkileşimli Genetik Algoritma (EGA) yöntemine başvurulmuştur ve özgün bir ?Artımlı Öğrenme ve Önerme Metodolojisi? geliştirilmiştir. Bu geliştirilen metodoloji ile gerçekleştirilen giysi öneri platformunun aynı anda artımlı öğrenme performansı ile vücut şekli/giysi şekli uyumluluğu performansı sanal kullanıcılar kullanılarak sınanmış ve iyi sonuçlar alınmıştır. Test aşamasının sonunda gerçek kullanıcılar ile yapılan anket neticesinde de, algısal olarak artımlı öğrenim sağlanmıştır. Gerçekleştirilen proje; 1)kadın vücut şekli ve giysi formu arasında uyumu hedefleyen giysi tasarımının akıllı sistemler ile gerçekleştirilmesi, 2)GA ve YSA?ya dayalı artımlı öğrenen bir akıllı sistem kullanılarak otomatik bir giysi tasarım süreci ve giysi öneri platformunun tasarlanması ve 3) geliştirilen akıllı sistemin kullanıcı etkileşimine dayalı olarak artımlı öğrenebilmesi, 4) böylece kişiye özel bir tasarım öneri sisteminin elde edilmesi açısından literatüre katkı sağlamaktadır.Article Citation - WoS: 7Citation - Scopus: 10Investigation of the Role of Convolutional Neural Network Architectures in the Diagnosis of Glaucoma Using Color Fundus Photography(Turkish Ophthalmological Soc, 2022-06-29) Atalay, Eray; Ozalp, Onur; Devecioglu, Ozer Can; Erdogan, Hakika; İnce, Türker; Yildirim, NilgunObjectives: To evaluate the performance of convolutional neural network (CNN) architectures to distinguish eyes with glaucoma from normal eyes. Materials and Methods: A total of 9,950 fundus photographs of 5,388 patients from the database of Eskisehir Osmangazi University Faculty of Medicine Ophthalmology Clinic were labelled as glaucoma, glaucoma suspect, or normal by three different experienced ophthalmologists. The categorized fundus photographs were evaluated using a state-of-the-art two-dimensional CNN and compared with deep residual networks (ResNet) and very deep neural networks (VGG). The accuracy, sensitivity, and specificity of glaucoma detection with the different algorithms were evaluated using a dataset of 238 normal and 320 glaucomatous fundus photographs. For the detection of suspected glaucoma, ResNet-101 architectures were tested with a data set of 170 normal, 170 glaucoma, and 167 glaucoma-suspect fundus photographs. Results: Accuracy, sensitivity, and specificity in detecting glaucoma were 96.2%, 99.5%, and 93.7% with ResNet-50; 97.4 degrees A, 97.8%, and 97.1% with ResNet-101; 98.9%, 100%, and 98.1% with VGG-19, and 99.4%, 100%, and 99% with the 2D CNN, respectively. Accuracy, sensitivity, and specificity values in distinguishing glaucoma suspects from normal eyes were 62%, 68%, and 56% and those for differentiating glaucoma from suspected glaucoma were 92%, 81%, and 97%, respectively. While 55 photographs could be evaluated in 2 seconds with CNN, a clinician spent an average of 24.2 seconds to evaluate a single photograph. Conclusion: An appropriately designed and trained CNN was able to distinguish glaucoma with high accuracy even with a small number of fundus photographs. Conclusion: An appropriately designed and trained CNN was able to distinguish glaucoma with high accuracy even with a small number of fundus photographs.