Computer Science-AGH最新文献_第5页

Mini U-Net Tabanlı Göz bebeği Merkezi Yerelleştirmesi 基于迷你U-Net的婴儿中心本地化

IF 0.5

Computer Science-AGH Pub Date : 2022-09-16 DOI: 10.53070/bbd.1173482

Kenan Donuk, D. Hanbay

{"title":"Mini U-Net Tabanlı Göz bebeği Merkezi Yerelleştirmesi","authors":"Kenan Donuk, D. Hanbay","doi":"10.53070/bbd.1173482","DOIUrl":"https://doi.org/10.53070/bbd.1173482","url":null,"abstract":"Göz takip algoritmalarında önemli bir yere sahip olan göz bebeği merkezinin yerini belirlemek için geçmişten günümüze birçok yöntem kullanılmıştır. Bu yöntemler genellikle şekil-özellik ve görünüm temellidir. Şekil-özellik tabanlı yöntemler, iris ve göz bebeğinin yerini belirlemek için morfolojik görüntü işleme tekniklerini, gözün değişmez geometrik özelliklerini ve kızılötesi ışığı kullanır. Bu yöntemler ışık, düşük çözünürlük gibi gerçek dünya koşullarından etkilenir. Buna karşılık, görünüm temelli yöntemler bu koşullara daha az duyarlıdır. Bu çalışmada, göz özelliklerini otomatik olarak öğrenen ve göz bebeği merkezi lokalizasyonu gerçekleştiren görünüm tabanlı yöntemlerden biri olan Mini U-Net ağı önerilmiştir. Önerilen ağ, göz bebeği merkezi yerelleştirmesi için halka açık GI4E veri seti kullanılarak değerlendirildi. Ağın test sonuçlarında maksimum normalize edilmiş hata kriterine göre ölçümler yapılmıştır. Buna göre göz bebeğinin merkezi %98,40 doğrulukla belirlendi. Önerilen ağ, en son teknolojik yöntemlerle karşılaştırılmış ve önerilen ağın performansı ortaya konmuştur.","PeriodicalId":41917,"journal":{"name":"Computer Science-AGH","volume":null,"pages":null},"PeriodicalIF":0.5,"publicationDate":"2022-09-16","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"47040951","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

引用次数: 0

Olayla İlgili Potansiyel Sinyalleri Kullanarak Şizofreninin Analizi ve Sınıflandırılması 精神分裂症的即时信息分析与分类

IF 0.5

Computer Science-AGH Pub Date : 2022-09-16 DOI: 10.53070/bbd.1173093

Anıl Aksöz, Doğukan Akyüz, Furkan Bayir, Nevzat Yildiz, Fırat Orhanbulucu, Fatma Latifoğlu

引用次数: 0

A Study on Dynamic Energy Pricing in Smart Grids 智能电网动态电价研究

IF 0.5

Computer Science-AGH Pub Date : 2022-09-16 DOI: 10.53070/bbd.1174257

Zehva Yalçinöz, A. Kaygusuz

引用次数: 1

Jansen Bağlantısının Kinematik Analizi için Araç Kutusu Tasarımı 詹森连接化学分析工具箱的设计

IF 0.5

Computer Science-AGH Pub Date : 2022-09-16 DOI: 10.53070/bbd.1173829

Semir Sünkün, Berke Oğulcan Parlak, alper yıldırım, H. Yavaşoğlu

引用次数: 1

A Novel Covid-19 Detection System Based on PSO and Hybrid Feature Using Support Vector Machines 基于支持向量机粒子群和混合特征的新型Covid-19检测系统

IF 0.5

Computer Science-AGH Pub Date : 2022-09-16 DOI: 10.53070/bbd.1172671

M. Ozdemir, D. Hanbay

{"title":"A Novel Covid-19 Detection System Based on PSO and Hybrid Feature Using Support Vector Machines","authors":"M. Ozdemir, D. Hanbay","doi":"10.53070/bbd.1172671","DOIUrl":"https://doi.org/10.53070/bbd.1172671","url":null,"abstract":"The world first met the coronavirus (COVID-19) in Wuhan, China in December 2019. It has continued to increase its influence from the first encounter until today. The detection of this virus, which has caused the death of many, is of great importance today. There are many approaches to the detection of this disease. One of the most effective of these approaches is the detection of COVID-19 disease using chest X-Ray images. In this paper, an intelligent system was proposed to classify normal, pneumonia patients and COVID-19 patients using chest X-Ray images. The proposed system was composed of four stage. At first, all images in the dataset were pre-processed. Then for the feature extraction uniform Local Binary Pattern (LBP) and DenseNet201 deep learning models were used. Particle swarm optimization (PSO) algorithm was used to select effective features. The determined effective features were classified by support vector machine (SVM). Accuracy and AUC parameters were used as performance criteria. Evaluated accuracy and AUC values were 99.9%, 1.00, respectively. The dataset and proposed model codes are made publicly available at: https://github.com/mfatiho/covid-detection-chest-xray","PeriodicalId":41917,"journal":{"name":"Computer Science-AGH","volume":null,"pages":null},"PeriodicalIF":0.5,"publicationDate":"2022-09-16","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"43397942","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

引用次数: 0

Evrişimsel Sinir Ağları ile Konuşmadan Duygu Tanıma Sistemi 基于虚拟正弦网络的无对话敏感识别系统

IF 0.5

Computer Science-AGH Pub Date : 2022-09-16 DOI: 10.53070/bbd.1174033

Metehan Aydi̇n, Bülent Tuğrul, Yilmaz Ar

引用次数: 0

5G Sistemleri için DL Tabanlı Kanal Tahmini 基于DL的5G系统信道访客

IF 0.5

Computer Science-AGH Pub Date : 2022-09-16 DOI: 10.53070/bbd.1173848

Bircan Çalişir

{"title":"5G Sistemleri için DL Tabanlı Kanal Tahmini","authors":"Bircan Çalişir","doi":"10.53070/bbd.1173848","DOIUrl":"https://doi.org/10.53070/bbd.1173848","url":null,"abstract":"Bu çalışma, Derin Öğrenme ve 5G ile oluşturulan veriler kullanılarak kanal tahmini için bir evrişimsel sinir ağının (CNN) nasıl eğitileceğini gösterir. Eğitilmiş CNN, fiziksel aşağı bağlantı paylaşılan kanal (PDSCH) demodülasyon referans sinyalini (DM-RS) kullanarak tek girişli tek çıkışlı (SISO) modunda kanal tahmini gerçekleştirilmiştir. Kanal tahmini için genel yaklaşım, iletim kanalı içine değeri bilinen referans pilot sembolleri eklemek ve daha sonra bu pilot sembolleri kullanarak kanal yanıtının geri kalanını enterpolasyon yapmaktır. Kanal tahmini yapmak için derin öğrenme teknikleri de kullanılabilir. Örneğin, PDSCH kaynak ızgarasını 2 boyutlu bir görüntü olarak görüntüleyerek, kanal tahmini problemini, CNN'lerin etkili olduğu gürültü giderme veya süper çözünürlüğe benzer bir görüntü işleme problemine dönüştürebilir. Bu çalışma, bu tür eğitim verilerinin nasıl oluşturulacağını ve bir kanal tahmini uygulamasında CNN'nin nasıl eğitileceğini gösterir. Ayrıca, lineer enterpolasyon ile alınan pilot sembolleri içeren görüntüleri işlemek için CNN kanal tahmininin nasıl kullanılacağını gösterir. Bu çalışma, pratik ve mükemmel tahmin edicilere kıyasla sinir ağı kanal tahmincisinin sonuçlarını görselleştirerek sona ermektedir.","PeriodicalId":41917,"journal":{"name":"Computer Science-AGH","volume":null,"pages":null},"PeriodicalIF":0.5,"publicationDate":"2022-09-16","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"46090932","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

引用次数: 0

Classification of Skin Cancer with Deep Transfer Learning Method 应用深度迁移学习方法对皮肤癌症进行分类

IF 0.5

Computer Science-AGH Pub Date : 2022-09-16 DOI: 10.53070/bbd.1172782

Doaa Khalid Abdulridha AL-SAEDİ, Serkan Savaş

{"title":"Classification of Skin Cancer with Deep Transfer Learning Method","authors":"Doaa Khalid Abdulridha AL-SAEDİ, Serkan Savaş","doi":"10.53070/bbd.1172782","DOIUrl":"https://doi.org/10.53070/bbd.1172782","url":null,"abstract":"Skin cancer is a serious health hazard for human society. This disease is developed when the pigments that produce skin color become cancerous. Dermatologists face difficulties in diagnosing skin cancer since many skin cancer colors seem identical. As a result, early diagnosis of lesions (the foundation of skin cancer) is very crucial and beneficial in totally curing skin cancer patients. Significant progress has been made in creating automated methods with the development of artificial intelligence (AI) technologies to aid dermatologists in the identification of skin cancer. The widespread acceptance of AI-powered technologies has enabled the use of a massive collection of photos of lesions and benign sores authorized by histology. This research compares six alternative transfer learning networks (deep networks) for skin cancer classification using the International Skin Imaging Collaboration (ISIC) dataset. DenseNet, Xception, InceptionResNetV2, ResNet50, and MobileNet were the transfer learning networks employed in the investigation which were successful in different studies recently. To compensate for the imbalance in the ISIC dataset, the photos of classes with low frequencies are augmented. The results show that augmentation is appropriate for the classification success, with high classification accuracies and F-scores with decreased false negatives. With an accuracy rate of 98.35%, modified DenseNet121 was the most successful model against the rest of the transfer learning nets utilized in the study.","PeriodicalId":41917,"journal":{"name":"Computer Science-AGH","volume":null,"pages":null},"PeriodicalIF":0.5,"publicationDate":"2022-09-16","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"44133488","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

引用次数: 4

An Effective Image Augmenting Technique in Detection of Lung Cancer Types 一种检测肺癌类型的有效图像增强技术

IF 0.5

Computer Science-AGH Pub Date : 2022-09-16 DOI: 10.53070/bbd.1173074

B. Ari, Ö. Alçin, A. Şengür

{"title":"An Effective Image Augmenting Technique in Detection of Lung Cancer Types","authors":"B. Ari, Ö. Alçin, A. Şengür","doi":"10.53070/bbd.1173074","DOIUrl":"https://doi.org/10.53070/bbd.1173074","url":null,"abstract":"Son yıllarda derin öğrenme mimarilerinin sınıflama ve tahmin üzerine yüksek başarımlara sahip olması bu alanlara ilgiyi artırmıştır. Özellikle medikal alanlarda hastalık tanısında bilgisayar tabanlı karar destek sistemlerinin yaygınlaşması ile veri setlerinin önemi ve paylaşılması da ön plana çıkmıştır. Ancak oluşturulan veri setlerinin derin mimariler için yeterli veri sayısına sahip olmaması sınıflama performansı açısından sorun olabilmektedir. Veri miktarının artırılması ise çoğu zaman maliyetli, zaman alıcı ve ilgili uzmanın her zaman bulunamaması sebebiyle mümkün olamamaktadır. Bahsedilen durumlar veri çoğullama yöntemlerinin devreye girmesini ve bu alana yönelmeyi gerektirmiştir. Bu çalışmada Dalgacık aktivasyon fonksiyonlu Aşırı Öğrenme Makinası Oto Kodlayıcı (D-AÖM-OK) tabanlı veri artırma yöntemi önerilmiştir. Önerilen yöntem dünyadaki kanser oranının en büyük yüzdesini içeren akciğer kanser sınıflaması üzerinde test edilmiştir. Çoğullanan eğitim veri seti GoogLeNet mimarisine giriş olarak uygulanmıştır. D-AÖM-OK’ın performansı çoğullanmamış ve geleneksel çoğullama yöntemleri ile karşılaştırılmıştır. Önerilen yöntem çoğullanmamış duruma kıyasla %11,12, klasik yöntemlerle çoğullanmış veri setine göre ise %2,55 oranında daha yüksek başarım göstermektedir.","PeriodicalId":41917,"journal":{"name":"Computer Science-AGH","volume":null,"pages":null},"PeriodicalIF":0.5,"publicationDate":"2022-09-16","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"42267632","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

引用次数: 0

Konuşma Duygu Tanıma için Akustik Özelliklere Dayalı LSTM Tabanlı Bir Yaklaşım 基于LSTM的登录声学属性确定语音表情

IF 0.5

Computer Science-AGH Pub Date : 2022-06-21 DOI: 10.53070/bbd.1113379

Kenan Donuk, D. Hanbay

{"title":"Konuşma Duygu Tanıma için Akustik Özelliklere Dayalı LSTM Tabanlı Bir Yaklaşım","authors":"Kenan Donuk, D. Hanbay","doi":"10.53070/bbd.1113379","DOIUrl":"https://doi.org/10.53070/bbd.1113379","url":null,"abstract":"Konuşma duygu tanıma, konuşma sinyallerinden insan duygularını gerçek zamanlı olarak tanıyabilen aktif bir insan-bilgisayar etkileşimi alanıdır. Bu alanda yapılan tanıma görevi, duyguların karmaşıklığı nedeniyle zorlu bir sınıflandırma örneğidir. Etkili bir sınıflandırma işleminin yapılabilmesi yüksek seviyeli derin özelliklere ve uygun bir derin öğrenme modeline bağlıdır. Konuşma duygu tanıma alanında yapılmış birçok sınıflandırma çalışması mevcuttur. Bu çalışmalarda konuşma verilerinden duyguların doğru bir şekilde çıkarılması için birçok farklı model ve özellik birleşimi önerilmiştir. Bu makalede konuşma duygu tanıma görevi için bir sistem önerilmektedir. Bu sistemde konuşma duygu tanıma için uzun-kısa süreli bellek tabanlı bir derin öğrenme modeli önerilmiştir. Önerilen sistem ön-işlem, özellik çıkarma, özellik birleşimi, uzun-kısa süreli bellek ve sınıflandırma olmak üzere dört aşamadan oluşmaktadır. Önerilen sistemde konuşma verilerine ilk olarak kırpma ve ön-vurgu ön-işlemleri uygulanır. Bu işlemlerden sonra elde edilen konuşma verilerinden Mel Frekans Kepstrum Katsayıları, Sıfır Geçiş Oranı ve Kök Ortalama Kare Enerji akustik özellikleri çıkarılarak birleştirilir. Birleştirilen bu özelliklerin uzamsal bilgilerinin yanında zaman içindeki akustik değişimleri sistemde önerilen uzun-kısa süreli bellek ve buna bağlı bir derin sinir ağı modeliyle öğrenilir. Son olarak softmax aktivasyon fonksiyonu ile öğrenilen bilgiler 8 farklı duyguya sınıflandırılır. Önerilen sistem RAVDESS ve TESS veri setlerinin birlikte kullanıldığı bir veri kümesinde test edilmiştir. Eğitim, doğrulama ve test sonuçlarında sırasıyla %99.87 , %85.14 , %88.92 oranlarında doğruluklar ölçülmüştür. Sonuçlar, son teknoloji çalışmalardaki doğruluklarla kıyaslanmış önerilen sistemin başarısı ortaya konmuştur.","PeriodicalId":41917,"journal":{"name":"Computer Science-AGH","volume":null,"pages":null},"PeriodicalIF":0.5,"publicationDate":"2022-06-21","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"45460322","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

引用次数: 0