Yazar "Çelik, Gaffari" seçeneğine göre listele
Listeleniyor 1 - 8 / 8
Sayfa Başına Sonuç
Sıralama seçenekleri
Öğe Çekişmeli üretken ağ modellerinin görüntü üretme performanslarının incelenmesi(2020) Çelik, Gaffari; Talu, Muhammed FatihDerin öğrenme alanında yaşanan en önemli gelişmelerden biri, hiç şüphesiz çekişmeli üretken ağ (Generative adversarial network-GAN) modelleridir. GAN olarak anılan bu modeller, görüntü veri kümesinin genişletilmesinde (image augmentation), resim/karikatür boyamada (painting), yüksek çözünürlüğe sahip süper görüntü elde etmede, bir görüntüdeki doku/desenin başka bir görüntüye transferinde kullanılan en modern yaklaşımlar olarak karşımıza çıkmaktadır. Bu çalışmada literatürde yaygın olarak kullanılan GAN modellerinin (cGAN, DCGAN, InfoGAN, SGAN, ACGAN, WGAN-GP, LSGAN), gerçek görüntülere çok benzeyen sentetik görüntüleri üretmedeki performansları incelenmiştir. Çalışmanın orijinalliği, cGAN ve DCGAN’ın avantajlarını barındıran hibrit bir GAN modeli (cDCGAN) geliştirilmesi ve GAN yöntemlerinin performansları, derin öğrenme tabanlı evrişimsel sinir ağları(CNN) ile kıyaslamalı olarak değerlendirmesidir. Kodlanan modellerle veri kümelerindeki görüntülere benzer sentetik görüntüler üretilmiştir. Üretilen sentetik görüntülerin mevcut görüntülere benzerliklerini hesaplamak, böylece model performansını değerlendirebilmek için fréchet başlangıç mesafesi (FID) metriği ve CNN kullanılmıştır. Yapılan deneysel çalışmalarda, tüm modellerin zamana bağlı görüntü üretim performansları değerlendirilmiştir. Sonuç olarak, LSGAN modeliyle üretilen görüntülerin yüksek sınıflandırma başarım oranı sağladığı, ancak DCGAN ve WGANGP ile daha gürültüsüz net görüntüler ürettiği gözlemlenmiştir.Öğe DERİN AĞLAR İÇİN YENİ BİR BİRİMDİK DÜZGÜNLEŞTİRME YAKLAŞIMI(2024) Talu, Muhammed; Fırıldak, Kazım; Çelik, GaffariOrtagonal Düzgünleştirme (OD), derin ağların aşırı öğrenme (overfitting), gradyan patlamansı/kaybolmasını engellemek için kullanılmaktadır. Literatürde derin öğrenme için geliştirilen OD yöntemlerinin çoğunda ağ ağırlıklarını birim dik vektörler olarak öğrenme amaçlanmaktadır. Bu makalede ağ ağırlıklarını ikili olarak gruplayarak birim dik öğrenmeye zorlayan fonksiyon, maliyet fonksiyonuna eklenmektedir. Bu yöntem yapay sinir ağlarında ve konvülasyonel sinir ağlarında çeşitli veri kümelerinde (yapay veri ve gerçek veri) test edilmektedir. Ayrıca önerilen yöntem, literatürde öne çıkan Yumuşak Ortagonal (SO), Çift Yumuşak Ortagonal (DSO), Karşılıklı Tutarlılık (MC) ve Spektral Sınırlı İzometri Özellikli (SRIP) gibi yöntemler ile doğruluk, yürütülme zamanı, hata oranı metriklerinde karşılaştırılmaktadır. Karşılaştırma sonucunda doğruluk metriğinde farklı veri kümelerinin kullanan ağlarda %1-%5 arasında iyileşme sağlanmaktadır. Önerilen yöntem, Cifar10 veri kümesinde Resnet 110 ağında 92,96 dan %93,90’a ve Resnet 28-10 %95,84’den %96,78’a test başarısını yükseltmektedir.Öğe EEG sinyallerinden bakılan görselin üretilmesi(2021) Talu, Muhammed Fatih; Çelik, GaffariÖz: EEG sinyalleri kullanılarak engelliler için kontrol edilebilir tekerlekli sandalyelerin üretildiği veya yapılması düşünülen aktivitenin tahmin edildiği çalışmalara literatürde sıklıkla rastlanmaktadır. Genel olarak bu çalışmalarda elektroensefalografi (EEG) sinyalinin önceden belirlenen sınıflara aktarımı gerçekleştirilir. Bu çalışmalar EEG sinyalinin sınıflandırmasından ibarettir. Ancak son yıllarda yapay öğrenme alanında yaşanan gelişmelerle sınıflandırmadan öteye gidildiği, EEG sinyalinden bakılan görselin üretilebildiği görülmektedir. Klasik çekişmeli üretici ağlar (Generative adversarial networks-GAN) ve otomatik kodlayıcı (Auto encoder-AE) yaklaşımlarının kullanıldığı sınırlı sayıdaki bu çalışmalar incelendiğinde, EEG sinyallerinden kabaca görsellerin üretilebildiği görülmektedir. Bu çalışmanın özgün yönü, görsel üretim kabiliyetini arttıracak matematiksel yaklaşımlar içermesidir. Klasik GAN mimarileri üretilen görüntülerin çeşitliliğini sağlayabilmek için rastgele vektör girişini kullanırlar. Bu yaklaşım ile EEG sinyalinden üretilen görsellerin düşük kalitede olduğu gözlemlenmiştir. Önerilen yöntemde giriş iki kısım (kodlanmış EEG ve rastgelelik) olarak düşünülmüştür. EEG’nin kodlanması için değişken oto kodlayıcı (Variational auto encoder-VAE) ve fourier dönüşümü (FD) kullanılırken, rastgelelik için iki farklı yaklaşım önerilmiştir. Bu özgün GAN kullanımı, EEG sinyallerinden daha kaliteli görsel üretilmesini sağlamıştır. Bu kalitenin sayısal olarak anlaşılabilmesi için önceden eğitilmiş evrişimsel sinir ağları (ESA) kullanılmıştır. Yapılan deneysel çalışmalar neticesinde, klasik GAN ile EEG’den üretilen görsellerin başarım seviyesi %93 civarındayken, önerilen yaklaşımda bu seviyenin %95-%100 aralığına çıktığı görülmektedir.Öğe Parameter Analysis of Convolutional Neural Network Operated on Embedded Platform for Estimation of Combustion Efficiency in Coal Burners(2023) Gündüzalp, Veysel; Çelik, Gaffari; Talu, Muhammed Fatih; Onat, CemAccurately and effectively calculating combustion efficiency in coal burners is crucial for industrial boiler manufacturers. Two main approaches can be used to calculate boiler efficiency: 1) Analyzing the gas emitted from the flue; 2) Visualizing the combustion chamber in the boiler. Flue gas analyzers, which are not user-friendly, come with high costs. Additionally, the physical distance between the flue and the combustion chamber causes the measurement to be delayed. Methods based on visualizing the combustion chamber do not have these disadvantages. This study proposes a system based on visualizing the combustion chamber and has two contributions to the literature: 1) for the first time, the modern Convolutional Neural Networks (CNN) approach is used to estimate combustion efficiency; 2) the CNN architecture with optimal parameters can work on an embedded platform. When classical classification techniques and a CPU-supported processor card are used, efficiency can be calculated from one flame image in 1.7 seconds, while this number increases to approximately 20 frames per second (34 times faster) when the proposed CNN architecture and GPU-supported processor card are used. The results obtained demonstrate the superiority of the proposed CNN architecture and hardware over classical approaches in estimating coal boiler combustion efficiency.Öğe SimCLR-based Self-Supervised Learning Approach for Limited Brain MRI and Unlabeled Images(2024) Talu, Muhammed; Fırıldak, Kazım; Çelik, GaffariIn this study, a SimCLR-based model is proposed for the classification of unlabeled brain tumor images in medical imaging using a self-supervised learning (SSL) technique. Additionally, the performances of different SSL techniques (Barlow Twins, NnCLR, and SimCLR) are analyzed to evaluate the performance of the proposed model. Three different datasets, consisting of pituitary, meningioma, and glioma brain tumors as well as non-tumor images, were used as the dataset. Out of a total of 7,671 images, 6,128 were used as unlabeled data, and the model was trained with both labeled and unlabeled data. The proposed model achieved high performance with unlabeled data, reducing the need for manual labeling. As a result, the model demonstrated superior performance compared to other models, with high performance values such as 99.35% c_acc and 96.31% p_acc.Öğe Transfer Öğrenme ve Çekişmeli Üretici Ağ Yaklaşımlarını Kullanarak Cilt Lezyonu Sınıflandırma Doğruluğunun İyileştirilmesi(2020) Fırıldak, Kazım; Çelik, Gaffari; Talu, Muhammed FatihBu çalışmada, en yaygın kanser türlerinden biri olan cilt kanseri imgelerinin sınıflandırılmasına odaklanılmıştır. Yapılanaraştırma sonucunda cilt kanseriyle ilgili literatürdeki en kapsamlı etiketlenmiş veri kümesinin HAM10000 olduğugörülmüştür. 7 farklı lezyon türüne ait 10.000’den fazla etiketli imge içeren bu veri kümesinin klasik Evrişimsel SinirAğlarıyla (ESA) sınıflandırma doğruluğunun arttırılması amaçlanmaktadır. Bu makalede, mevcut iki farklı tekniğin (transferöğrenme ve imge üretimi) lezyon sınıflandırma doğruluğuna etkisi incelenmiştir. Birinci teknik, cilt lezyonu veri kümesinisınıflandırmak için tasarlanan yeni bir ESA’ya, ImageNet veri kümesiyle eğitilmiş AlexNET ağındaki parametrelerin kısmive tam transfer yoluyla aktarılmasıdır. İkinci teknik, gerçek lezyon imgelerinden imge üretilmesiyle veri kümesiningenişletilmesidir. Bu genişletme işleminde klasik üretme ve Çekişmeli Üretici Ağ (ÇÜA) tekniklerinin başarımlarıdeğerlendirilmiştir. Yapılan deneysel çalışmalar neticesinde, kısmi parametre transferi ve Derin Evrişimsel Çekişmeli ÜreticiAğ (DEÇÜA) temelli imge üretim tekniği kullanılarak veri kümesinin genişletilmesi yaklaşımlarının birlikte kullanılması enyüksek lezyon sınıflandırma doğruluğunu (%93) vermiştir. Yöntemler, literatürdeki güncel yöntemle kıyaslanarak toplamdoğruluk başarımındaki üstünlüğü gösterilmiştir.Öğe Üretken ağlar ve uygulamaları(İnönü Üniversitesi, 2021) Çelik, Gaffari; Talu, Muhammed FatihBu tez çalışmasında gürültüden görsel üretme, çözünürlük arttırma, sinyalden görüntü üretme ve bölütleme gibi alanlardaki en güncel yaklaşımlar incelenmiş ve Çekişmeli Üretken Ağlar (GAN) temelli yeni mimariler geliştirilerek literatüre katkılar sunulmuştur. Tez kapsamında yapılan ilk deneysel çalışmada, klasik GAN mimarileri (cGAN, DCGAN, InfoGAN, SGAN, ACGAN, WGAN-GP ve LSGAN) kullanılarak MNIST ve Fashion-MNIST veri kümelerindeki görseller üretilmektedir. Ayrıca bu yaklaşımlara alternatif olacak yeni bir hibrit GAN mimarisi (cDCGAN) önerilmektedir. Yapılan ikinci deneysel çalışma, SRGAN mimarisinin Camelyon17 veri kümesine uygulanmasını içermektedir. Buna göre SRGAN mimarisinin görsel çözünürlüğünü iyileştirilme ve gürültüyü giderilme performansı klasik yaklaşımlarla kıyaslanmaktadır. Tez kapsamında yapılan üçüncü deneysel çalışmada, GAN mimarilerinin sinyalden görsel üretme performansı araştırılmıştır. Bunun nedeni EEG sinyal verilerinden planlanan aktivitenin tahmin edilmesi veya engelliler için tekerlekli sandalyenin hareketlendirilmesi gibi ihtiyaçların varlığıdır. Ancak mevcut çalışmalar incelendiğinde EEG sinyalinin sadece sınıflandırılma ile sınırlı kaldığı görülmektedir. GAN ve Otomatik Kodlayıcı (Auto encoder-AE) tekniklerinin kullanıldığı az sayıda çalışma incelenmiş ve yeni mimarilerle sinyal-görsel üretim performansı iyileştirilmiştir. Tez kapsamındaki yapılan son deneysel çalışma, 3D MRI verilerinin bölütlenmesi hakkındadır. Yapılan araştırma sonucunda güncel bölütleme mimarileri belirlenmiş ve üç farklı veri kümesi (IBSR18, MRBRAINS13 ve MRBRAINS18) kullanılarak bölütleme sonuçları elde edilmiştir. Mevcut yaklaşımlara alternatif olacak Vol2SegGAN adlı yeni bir bölütleme yaklaşımı önerilmiştir. Bu mimarinin üretici ağında ACFP ve PAM modülleri yer alırken, ayırıcı ağı gerçek/sahte ayrımını gerçekleştirmektedir. T1 modaliteye sahip 3D-MRI taramalarının kullanıldığı verilerde üç farklı bölge (GM, WM, CSF) ve sekiz farklı bölge (CGM, BG, WM, WMH, CF, VE, CE ve BS)'nin bölütlenme çalışmaları yapılmıştır. Yapılan deneysel faaliyetler sonucunda, GAN temelli yaklaşımların birçok problem çözümüne olumlu katkılar sağladığı görülmüştür. Anahtar Kelimeler: Derin Öğrenme, Çekişmeli Üretken Ağlar, Sentetik Görüntü Üretimi, GAN Uygulamaları, Görüntü Boyutlandırma, SRGAN, Gürültü Temizleme, EEG-GAN, EEG Sinyalleri, 3D MRI Tramaları, Bölütleme, Örtüştürme, Vol2SegGAN, PAM, ACFPÖğe Yeni bir Orthogonal Düzgünleştirme Kullanan Artık Yapay Sinir Ağı ile X-Ray Görüntülerinden Covid-19 Tespiti(2025) Talu, Muhammed; Fırıldak, Kazım; Çelik, GaffariCovid-19, solunum yollarını etkileyen ve küresel ölçekte ciddi sağlık sorunlarına neden olan viral bir enfeksiyondur. Bulaşıcılığı nedeniyle hastalığın erken teşhis ve doğru sınıflandırılması büyük önem taşımaktadır. Bu çalışmada, X-ışını görüntülerinden Covid-19 hastalığının tespit doğruluğunu artırmak için yeni bir ortogonal düzgünleştirme yöntemi önerilmiştir. ResNet110 ağına uygulanan yöntem, geleneksel ortogonal düzgünleştirme yaklaşımlarına kıyasla sınıflandırma doğruluğunu artırılmaktadır. Deneysel çalışmalarda, önerilen yöntem çeşitli düzgünleştirme teknikleriyle karşılaştırılmış ve test doğruluk oranını %96,52'ye çıkarılarak en yüksek sınıflandırma doğruluğu elde edilmiştir. Önerilen yöntemin özellikle eğitim sürecinin sonraki aşamalarında modelin öğrenme eğrisini optimize ettiği ve test doğruluğunu artırdığı da görülmüştür. Ayrıca, Covid-19 tespiti için mevcut ortogonal düzgünleştirme yöntemleriyle karşılaştırıldığında, önerilen yaklaşım test sınıflandırma performansını doğruluk, F1 puanı, duyarlılık, keskinlik ve özgüllük metriklerinde yaklaşık %1 oranında iyileşme sağlanmıştır.
