Yazar "Altun, Sara" seçeneğine göre listele
Listeleniyor 1 - 6 / 6
Sayfa Başına Sonuç
Sıralama seçenekleri
Öğe Derin Sinir Ağları için Hiperparametre Metodlarının ve Kitlerinin İncelenmesi(2021) Altun, Sara; Talu, Muhammed FatihOtomatik makine öğrenimi (AutoML) ve derin sinir ağları birçok hiperparametreye sahiptir. Karmaşık ve hesapsal maliyet olarak pahalı makine öğrenme modellerine son zamanlarda ilginin artması, hiperparametre optimizasyonu (HPO) araştırmalarının yeniden canlanmasına neden olmuştur. HPO’nun başlangıcı epey uzun yıllara dayanmaktadır ve derin öğrenme ağları ile popülaritesi artmıştır. Bu makale, HPO ile ilgili en önemli konuların gözden geçirilmesini sağlamaktadır. İlk olarak model eğitimi ve yapısı ile ilgili temel hiperparametreler tanıtılmakta ve değer aralığı için önemleri ve yöntemleri tartışılmaktadır. Sonrasında, özellikle derin öğrenme ağları için etkinliklerini ve doğruluklarını kapsayan optimizasyon algoritmalarına ve uygulanabilirliklerine odaklanılmaktadır. Aynı zamanda bu çalışmada HPO için önemli olan ve araştırmacılar tarafından tercih edilen HPO kitlerini incelenmiştir. İncelenen HPO kitlerinin en gelişmiş arama algoritmaları, büyük derin öğrenme araçları ile fizibilite ve kullanıcılar tarafından tasarlanan yeni modüller için genişletilebilme durumlarını karşılaştırmaktadır. HPO derin öğrenme algoritmalarına uygulandığında ortaya çıkan problemler, optimizasyon algoritmaları arasında bir karşılaştırma ve sınırlı hesaplama kaynaklarına sahip model değerlendirmesi için öne çıkan yaklaşımlarla sonuçlanmaktadır.Öğe Genetic Algorithm Based Tree Segmentation(Ieee, 2018) Varjovi, Mahdi Hatami; Altun, Sara; Talu, Muhammed Fatih; Yeroglu, CelaleddinSegmentation of tree images are used in agricultural applications such as harvest estimation. The accuracy of the segmentation process influences the success of such applications. Many methods are used for image segmentation such as thresholding, clustering, edge-based, region-based methods. The region growing algorithm is a very robust and easy to implement method, but the disadvantage of this method is that the threshold value is sensitive to critical and environmental noise. In this study, it is aimed to increase the segmentation quality of tree images. In tree segmentation; the optimum threshold values differ because of the camera's characteristics, the amount of light, the color of the leaf, the type of the fruity, the shadow of the branches and the other greens on the background. The starting point is automatically optimized with the help of genetic algorithms for the threshold values used in the determined region growing method.Öğe Görüntüdeki nesneleri çevreleme yöntemleri(İnönü Üniversitesi, 2017) Altun, SaraBu tez çalışmasında, literatürde aktif çevreleme yöntemleri (active contour models-ACMs) olarak adlandırılan ve görüntüdeki herhangi bir nesnenin çevrelenmesini sağlayan yöntemler incelenmiştir. Bölütleme işleminde görüntü içerisindeki homojen renk dağılımı sergileyen pikseller gruplanmaktadır. ACM'ler, görüntü işleme alanındaki bölütleme konu başlığı altında incelenmektedir. ACM'deki temel amaç, ön plan nesnesi ile arka plan bölgesini birbirinden ayıran sınır hattının keşfedilmesidir. Literatürdeki ACM'ler incelendiğinde kenar tabanlı ve alan tabanlı olmak üzere iki sınıfa ayrıldığı görülmektedir. Alan tabanlı ACM'ler, "ön plan nesnesi görüntünün orta kısmında olur" fikrine dayanmaktadır. Kenar tabanlı yöntemler, orijinal görüntü fonksiyonunun sürekli bir yaklaşımını kullanmıştır. Kenar tabanlı ACM'ler, nihai çevrelemeye ulaşmak için görüntü gradyanına dayalı kenar algılama yöntemi kullanmıştır. Alan tabanlı yöntemlerin doğruluk ve performans açısından kenar tabanlı yöntemlerden iyi olduğu bilinmektedir. Bu nedenle tez çalışmasında alan tabanlı yöntemlere odaklanılmıştır. Alan tabanlı yöntemlerden kısaca bahsetmek gerekirse; Mumford-Shah yönteminin geliştirilmiş bir versiyonu olan C-V yöntemi, gradyan kullanımına ihtiyaç duymadan ön plan nesnesini çevreleyen sınır hattını tespit edebilmektedir. SBGFRLS yöntemi, görüntüdeki nesneleri kaplayacak bir maskeyi sürekli güncelleyerek ön plan nesnesini arka plandan ayırmaya çalışmaktadır. ORACM, SBGFRLS yönteminin geliştirilmiş bir versiyonudur. ORACM parametre gerektirmeyen ve daha az zaman gerektiren, alan tabanlı ACM'dir. Bulanık enerji tabanlı aktif çevreleme yöntemi (FACM), yukarıda bahsedilen klasik yöntemlerden farklı olarak aktif sınır hatlarını tespit etmek için bulanık mantık teorisini kullanmaktadır. FACM, global ve lokal görüntü bilgisini birlikte kullanmaktadır. Tez kapsamında FACM yöntemi detaylı bir şekilde incelenmektedir. Bu tez çalışmasında alan tabanlı ACM'lerin uygulamaları Matlab kullanılarak gerçekleştirilmiştir. Farklı yapılara sahip gerçek görüntüler kullanılarak test edilen yöntemlerin üstünlük ve eksiklikleri kapsamlı bir şekilde irdelenmiştir. Sonuç olarak, FACM ve ORACM yöntemlerinin aktif sınır hattını doğru bir şekilde keşfettiği ve birbirine yakın sonuçlar ürettiği görülmüştür. ANAHTAR KELİMELER: Aktif Çerçeveleme Yöntemleri, C-V, ORACM, SBGFRLS ve FACMÖğe A new approach for Pap-Smear image generation with generative adversarial networks(Gazi Univ, Fac Engineering Architecture, 2022) Altun, Sara; Talu, Muhammed FatihPurpose: In this study, a new GAN model for histopathological Pap-Smear images generation is suggested. To illustrate the advantage of the proposed GAN model (Pix2PixSSIM), a comprehensive experimental study has been carried out. Theory and Methods: Pix2PixSSIM designed as generative adversarial networks model for histopathological Pap-Smear images generation. In addition, the proposed model compared with the existing GANs (i.e., Pix2Pix, CycleGAN, DiscoGAN and AttentionGAN). Results: In experimental studies, Pix2PixSSIM, which is designed as generative adversarial networks model for histopathological Pap-Smear images generation, has shown high accuracy than other methods. Conclusion: It is seen that the performance of the proposed GAN architecture to produce patterns similar to real Pap-Smear visuals gives successful results (MSI=23.649, PSNR=37.476) when compared to existing approaches (MathModel and classical image synthesis methods).Öğe Performance Comparison of Different Optimization Methods under the Same Conditions(Ieee, 2018) Altun, Sara; Varjovi, Mahdi Hatami; Karci, AliThere are many probing solutions in the literature. Optimization methods performances are compared and the best one is chosen and the problem is executed on it. In this study, Benchmark functions consisting of simple mathematical functions are used and it is aimed to use same media, same method, same starting population and same problem to get the most accurate result. Optimization algorithms Genetic Algorithm (GA), Differential Evolution Algorithm (DGA), Ant Colony (ACR), Artificial Atom Algorithm (A(3)) and Clonal Selection Algorithm (CLONALG) was used. Performance measures of these optimization algorithms are calculated on three different benchmarking algorithms.Öğe Sentetik Pap-Smear Hücre Çekirdeği Üretiminde Üretici Çekişmeli Ağların Kullanılması(2021) Altun, Sara; Talu, Muhammed FatihSentetik görüntü üretimi geçmişten günümüze kadar araştırma alanı olmuştur. Çeşitli algoritmalar ile sentetik (sahte) görüntü üretimi yapılmaktadır. İncelenen sentetik görüntü üretme yöntemleri derin öğrenmeye dayanan üretici çekişmeli ağlar (GANs)’dır. GAN’lar üretici ve ayrıştırıcı olmak üzere iki sinir ağına sahiptir. Üretici ağ sentetik görüntü ya da sinyal üretirken; ayrıştırıcı ağ orijinal görüntü ya da sinyal ile üretilmiş sentetik görüntünün ya da sinyalin benzerliğini olasılıksal olarak ölçmektedir. GAN yöntemlerinden Döngüsel Üretici Çekişmeli Ağ ( CycleGAN ) ve Görüntüden Görüntüye Çeviren Ağ (Pix2Pix) yöntemleri sentetik görüntü üretirken görüntüden görüntüye çeviri yapılabilme yeteneğine sahip olduğundan hücre çekirdeği üretirken uygun yöntemler olarak belirlenmiştir. CycleGAN, bir üretici ve bir ayrıştırıcı ağa sahiptir. Üretici, sahte görüntüleri üretirken; ayrıştırıcı, sahte görüntüler ile gerçek görüntüleri ayırt etmeye çalışır. CycleGAN, bir görüntüyü ?? kaynak alanından eşleştirilmiş örneklerin yokluğunda bir hedef alan ??’ye dönüştüren öğrenme yaklaşımı sunulur. Bu model iki “otokodlayıcı” eğitimi olarak görülebilir. Bir otokodlayıcıyı ?? ? ??: ?? ? ?? ile bir başka otokodlayıcı olan ?? ? ??: ?? ? ?? ile ortaklaşa öğrenir. Pix2Pix’in girişi bir görüntüdür. Pix2Pix, giriş görüntüsünden çıktı görüntüsüne dönüşümü eğitir. Pix2Pix, bir tane sentetik görüntü üreten üretici ağa ve bu sentetik görüntü ile gerçek görüntüyü ayırt edebilecek olan ayrıştırıcı ağa sahiptir. Bu çalışmada, 256x256 boyutunda görüntüler kullanılmış olup 256x256 boyutunda sonuçlar elde edilir. İki yöntemin zaman ve benzerlik indeksleri açısından karşılaştırması yapılıp verimliliği incelenmiştir. Sonuçlar tablo ve şekil olarak gösterilmiştir. Uygulama için MATLAB 2019b kullanılmıştır. Görüntüden görüntüye dönüşümde GAN yöntemlerinin verimli sonuçlar verdiği gözlemlenmektedir. Medikal görüntü üretirken deneysel sonuçlara göre CycleGAN yöntemi ile Pix2Pix yöntemi kıyaslandığında istenilen sonuca ulaşma bakımından Pix2Pix yöntemi tercih edilebilir.