Yazar "Özdemir, Cüneyt" seçeneğine göre listele
Listeleniyor 1 - 6 / 6
Sayfa Başına Sonuç
Sıralama seçenekleri
Öğe Avg-topk: A new pooling method for convolutional neural networks(Elsevier Ltd, 2023) Özdemir, CüneytThe pooling layer is a layer used in Convolutional Neural Networks (CNN) that takes the output feature map of the previous convolutional layer and reduces the feature maps to smaller sizes. Furthermore, in CNN the pooling layer is one of the layers that determines the success of the model. The pooling layer, reduces the spatial dimension of a CNN, greatly reducing the learning time and computational cost of the model. The most common pooling methods are maximum and average pooling. Due to the fact that the pooling strategy reduces the amount of feature maps and model parameters, it is crucial to preserve the dominant information. In this study, a cost-effective new pooling method approach is proposed. The proposed pooling method is used by calculating the weighted average of the dominant features. The proposed pooling model has been developed to address the shortcomings of maximum pooling and average pooling. The proposed new Avg-TopK pooling model takes the pixels with the highest interaction as much as the specified K number and averages them. In this study, the performances of several pooling strategies for gray and RGB picture classification in 3 different datasets were compared and analyzed in depth. Extensive experiments have demonstrated that the Avg-TopK pooling method achieves significantly higher image classification accuracy than conventional pooling methods. It has been observed that using the AVG-TopK method in transfer learning models leads to much more successful results. Furthermore, studies in the literature have compared based on the performance metrics and it has been seen that the proposed method produces more successful outcomes. In research conducted on datasets using this method, the accuracy achieved for the CIFAR-10 dataset was 6.28% and 16.62% according to the maximum pooling and the average pooling, respectively. For the CIFAR-100 dataset, the accuracy rate increased by 7.76% compared to the maximum pooling and by 25% compared to the average pooling. © 2023 Elsevier LtdÖğe Derin Öğrenme Modelleri ve Veri Ön İşleme Yöntemleri ile Çeltik Yaprak Hastalıklarının Erken Teşhisi(2023) Özdemir, CüneytSon yıllarda tarım sektöründe, derin öğrenme temelli bilgisayar destekli sistemler büyük bir önem kazanmış ve farklı uygulama alanlarında etkili bir rol oynamıştır. Bu sistemler sadece hastalıkların erken teşhisine katkı sağlamakla kalmamış, aynı zamanda tarım profesyonellerine önemli bir destek sunmuştur. Bu bağlamda, bu çalışma çeltik yapraklarında mevcut hastalıkların erken teşhisinde derin öğrenme yöntemlerinin etkinliğini araştırmayı amaçlamaktadır. Bu araştırma için, 13 farklı çeltik hastalığına ait toplam 4160 görüntü içeren Paddy Doctor veri kümesi kullanılmıştır. Veri kümesi üzerinde beş farklı transfer öğrenme modeli titizlikle değerlendirilmiştir. Elde edilen sonuçlar, Xception modelinin %93,37'lik doğruluk oranı ile en üstün performansı gösterdiğini açıkça ortaya koymaktadır. Ayrıca, bu çalışma veri ön işleme ve veri artırma tekniklerini optimize etme konusuna da değinerek veri kümesini zenginleştirmeyi ve teşhis doğruluğunu artırmayı amaçlamıştır. Başarılı bulunan modelin çeltik yaprak hastalıklarını teşhis etmedeki performansı ayrıntılı bir şekilde değerlendirilmiştir. Bu değerlendirme sonucunda, modelin en başarılı olduğu hastalık sınıfları belirlenmiş ve aynı şekilde modelin en zorlandığı veya en düşük doğruluk oranına sahip hastalık sınıfları da tespit edilmiştir. Bu bulgular, çeltik hastalıklarının erken teşhisinde transfer öğrenme modellerinin potansiyelini vurgulayarak tarım sektöründe etkili otomatik teşhis sistemlerinin geliştirilmesine olanak tanımaktadır. Bu yaklaşım, tarım sektöründe mahsul verimini artırma ve pestisit kullanımını azaltma yolunda umut vadetmektedir. Ayrıca, daha sağlıklı ve sürdürülebilir tarım uygulamalarını teşvik etme odaklı bu araştırma, gelecekteki stratejilere de katkı sağlayabilir.Öğe Derin öğrenme yöntemleri ile el bilek grafisinden kemik yaşının tahmini(Siirt Üniversitesi, 2022) Özdemir, Cüneyt; Kaya, YılmazYaş tespiti medikal alanda, çocukluk çağında, büyüme ve gelişmenin takibinde, çocuklarda büyümeyi ve gelişmeyi etkileyen çeşitli hastalık durumlarında, adli tıpta, yaşa göre cezai sorumluluk durumlarında, evlilik, askere alınma, rekabetçi sporlarda ve işe başlama durumlarında, mültecilerde, çocuk erişkin ayrımında bulunmak gibi birçok farklı konuda istenebilmektedir. Bu tez çalışması ile pediatrik kemik yaşı tahmini için radyologların iş akışını hızlandıracak, sol el bilek grafilerinden derin öğrenme teknolojisi kullanılarak bilgisayar temelli bir karar destek sistemi geliştirilmiştir. Bu çalışmada kullanılan veri setleri Kütahya ilinden temin edilen görüntülerden ve literatürde public olarak dağıtılan RSNA veri setinden oluşmaktadır. Veri seti Kütahya sağlık bilimleri üniversitesi rektörlüğün'den etik kurul izni ile alınmıştır. Çalışmada 18 yaş üstü ve 18 yaş altı şeklinde iki farklı senaryo için denemeler gerçekleştirilmiştir. 18 yaş altı için yapılan çalışmada derin öğrenme metotlarından IncepitonV3, MobileNetV2, EfficientNetB4 ve modifiye edilmiş IncepitonV3 modellerinin performansları karşılaştırılmıştır. 18 yaş altı sonuçlara bakıldığında veri setimiz üzerinde modifiye edilmiş IncepitonV3 transfer derin öğrenme yöntemi ile MAE=4,3, RMSE=5,76, R2=0,99 olarak bulunmuştur. Önerilen InceptionV3 transfer öğrenme modeli ile public olarak dağıtılan veri seti üzerinde MAE=5.75, RMSE=7.42 ve R2=0.96 olarak tespit edilmiş olup literatürde bu veri seti üzerinde yapılan çalışmalar arasında ki en iyi sonuçlardan biri elde edilmiştir. Bu çalışma ile modellerin cinsiyetlere ve yaş gruplarına göre farklılıkları ölçülmüştür. Ayrıca bu çalışma Türkiye'den toplanan el bilek grafi veri seti ile yapılan ilk derin öğrenme çalışmalarından biridir. Bu çalışma el bilek grafilerinden kemik yaşı tespitinde kullanılmak üzere yeni bir veri seti oluşturulmuş olup, yeni bir model tavsiye edilmiştir. Bu çalışmada yapılan diğer bir çalışma ise 18 yaş üstündeki bireylerin el bilek görüntülerinden kemik yaşının tespitine yönelik olarak yapılmıştır. Literatürde 18 yaş üstündeki bireylerin sol el bilek grafilerinden erişkin bireylerde yaş tespitinin derin öğrenme yöntemleri ile yapıldığına dair herhangi bir araştırmaya rastlanmamıştır. Bu çalışma ile 18 yaş üzeri bireylerde yaş tespiti derin öğrenme yöntemleri (DenseNet201, InceptionV3, ResNet50V2) ile yapılmıştır. Tarafımızca oluşturulan veri setinin kullanılması ile erkeklerde MAE=1,666, RMSE=2,665, R2=97,32 ve kadınlarda MAE=2,044, RMSE=3,069, R2=96,84 performans sonuçları gözlenmiştir. Bu çalışmada kullanılan yöntem ve bulunan sonuçlar bu alanda yapılan ilk çalışmadır. Bu sonuçlar ışığında bu çalışmada kullanılan metot bize derin öğrenme metotlarının 18 yaş üstü bireylerde kemik yaşı tespitinde yardımcı bir araç olarak kullanılabileceğini göstermiştirÖğe Enhancing Skin Cancer Diagnosis through the Integration of Deep Learning and Machine Learning Approaches(2024) Doğan, Yahya; Özdemir, CüneytSkin cancer is a disease characterized by the uncontrolled proliferation of skin cells, typically manifesting as lesions or abnormal growths. Early diagnosis is critical for improving treatment outcomes. This study proposes an innovative approach to skin cancer diagnosis by integrating modern deep learning models with traditional machine learning algorithms. A three-phase methodology was developed. In the first phase, meaningful features were extracted from skin lesion images using various transfer learning models, including Xception, VGG16, ResNet152V2, InceptionV3, InceptionResNetV2, MobileNetV2, EfficientNetB2, and DenseNet201. In the second phase, dimensionality reduction was performed using Principal Component Analysis (PCA). In the final phase, the reduced feature sets were classified using K-Nearest Neighbors (KNN) and Random Forest (RF) algorithms. Experimental results demonstrated that the highest accuracy of 91.28% was achieved through the combination of DenseNet201 for feature extraction, PCA for dimensionality reduction, and Random Forest for classification. These findings highlight the effectiveness of integrating transfer learning models, dimensionality reduction techniques, and machine learning algorithms in enhancing the accuracy of skin cancer diagnosis.Öğe Meme Ultrason Görüntülerinde Kanser Hücre Segmentasyonu için Yeni Bir FCN Modeli(2023) Özdemir, CüneytMeme kanseri kadınlar arasında yaygın bir hastalıktır. Zamanında teşhis ve uygun müdahale, iyileşme beklentilerini önemli ölçüde artırır ve hastalığın ilerlemesini engeller. Meme kanserinin görsel görüntüleri, meme dokusunu kötü huylu ve kötü huylu olmayan alanlara ayırmaya hizmet ederek, kötü huylu hücrelerin ayırt edilmesi, tümör boyutlarının değerlendirilmesi ve neoplazmın evrelendirilmesi dahil olmak üzere çok önemli bilgiler sağlar. Meme kanseri taramaları, özellikle genç ve hamile kadınlar grubundaki hassasiyetleri iyileştirmek için yürürlüğe konmuştur. Bununla birlikte, radyografik tasvirlerin incelenmesinin yanlışlıkla bazı incelikleri gözden kaçırabileceği durumlar da vardır. Gelişmiş yapay zeka paradigmaları, sofistike hesaplama metodolojileri ile birleştiğinde, daha yüksek hassasiyette sonuçlar elde etmek için kullanılmaktadır. Bu bağlamda, ultrason teknolojisi tarafından kolaylaştırılan segmentasyon metodolojisi çok önemli bir müdahale olarak ortaya çıkmaktadır. Mevcut araştırmada, sapmaların tanımlanması ve kanserojen bölgelerin belirlenmesi için U-Net ve yenilikçi bir Fully Convolutional Network mimarisinden yararlanılmıştır. Bu çalışma kapsamında önerilen Fully Convolutional Network mimarisi, test görüntülerinde %77,2 MeanIoU, %71,6 precision, %77,7 recall ve %74,5 F1 skoru elde edilmiştir. U-Net modeli ile %76,4 MeanIoU, %67,6 precision, %80,4 recall ve %73 F1 skoru elde edilmiştir. Bulgular, önerilen Fully Convolutional Network mimarisinin U-Net modeline göre daha iyi performans sergilediğini ortaya koymuştur. Bu sonuçlar, meme kanseri teşhisi ve tedavisi için segmentasyon işleminin önemini vurgulamakta ve önerilen Fully Convolutional Network mimarisinin U-Net mimarisinden daha başarılı olduğunu ortaya koymaktadır.Öğe Ray Bileşenlerinde Meydana Gelen Arızaların Görüntü İşleme Teknikleri ile Tespit Edilmesi(2021) Özdemir, Cüneyt; Kaya, YılmazBu çalışmada görüntü işleme teknikleri kullanılarak demiryollarında kullanılan ray, baglantı noktaları, travers gibi bileşenlerde oluşan, kusurların ve hataların tespiti gerçekleştirilmiştir. Demiryolu bileşenlerinde oluşan hataların erken tespiti yapılarak, bu hataların hızlı ve etkin bir şekilde ortadan kaldırılması ve bu hatalardan dolayı oluşabilecek kazaların ve kayıpların önüne geçilmesi amaçlanmıştır. Bu kapsamda demiryolu bileşenlerinden olan ray görüntülerinden bağlantı noktasında vidası olmayan, sıkma aparatı dönmüş veya çıkmış olan, ray çatlakları ve travers çatlakları bulunan görüntülerden oluşan 4 farklı bileşenden 7 farklı problem tespit edilerek çalışma gerçekleştirilmiştir. Elde edilen görüntülerden öncelikle SIFT, SURF, GLCM, LBP ve HOG olmak üzere 5 farklı öznitelik çıkarım yöntemi kullanılarak öznitelikler elde edilmiştir. Daha sonra elde edilen öznitelik vektörleri kullanılarak Decision Tree (DT), Gradient Boosting Classifier (GBC), Linear Discriminant Analysis (LDA), SVM, SVC, Logistic Regression (LR), Naive Bayes (NB), Nearest Neighbors(Knn), Neural Net (NN) ve Random Forest(RF) gibi 10 farklı makine öğrenmesi yöntemleri ile sınıflandırma işlemleri gerçekleştirilmiştir. HOG kullanılarak çıkarılan özniteliklerden SVM sınıflandırma yöntemi ile %98 oranında başarı gözlenmiştir.
