8
Archived Theses
0
DOIs Assigned
0%
DOI Rate
Discipline
Histopatolojik görüntülerde derin öğrenme temelli öğreticisiz doku bölütlemesi
In the current practice of medicine, histopathological examination of tissues is essential for cancer diagnosis. However, this task is both subject to observer variability and time consuming for pathologists. Thus, it is important to develop automated objective tools, the first step of which usually comprises image segmentation. According to this need, in this thesis, we propose a novel approach for the segmentation of histopathological tissue images. Our proposed method, called deepSeg, is a two-tier method. The first tier transfers the knowledge from AlexNet, which is a convolutional neural network (CNN) trained for the non-medical domain of ImageNet, to the medical domain of histopathological tissue image characterization. The second tier uses this characterization in a seed-controlled region growing algorithm, for the unsupervised segmentation of heterogeneous tissue images into their homogeneous regions. To test the effectiveness of the segmentation, we conduct experiments on microscopic colon tissue images. Quantitative results reveal that the proposed method improves the performance of the previous methods that work on the same dataset. This study both illustrates one of the first successful demonstrations of using deep learning for tissue image segmentation, and shows the power of using deep learning features instead of handcrafted ones in the domain of histopathological image analysis.
Araç konum tahmini ve araç sınıflandırması derin evrimsel sinir ağları kullanarak
The aim of this master's thesis is to classify the vehicles and estimate the position with license plate localization using Deep Convolutional Neural Network (DCNN). Vehicle pose estimation with license plate localization serves as one of the most widely-used real-world applications in fields like toll control, traffic scene analysis, and suspected vehicle tracking. Along with license plate information, to obtain overall comprehension, the information of the owner vehicle also plays a great role, and contextual information is defined as the relationship between the vehicles pose license plate and the owner vehicle in our work. We proposed a one-stage anchor-free vehicle classifier for simultaneously localizing the region of license plates and vehicles' poses. The classifier, rather than bounding rectangles, gives bounding quadrilaterals, which gives a more precise indication for vehicle pose estimation with license plates localization. For single scale input, we reached mean Precision Accuracy mAP/mAP50 of 35.4/82.3 on the Laboratory for Intelligence and Safe Automobile (LISA) benchmark dataset, already outperformed the existing commercial systems OpenALPR and Sighthound. For multi-scale input, we reached the best mAP/mAP50 of 40.8/90.1. For the vehicle pose (front-rear), classification accuracy reached 98.8%, average IoU reached 71.3%, giving a promising result as an end-to-end vehicle position estimation and license plate localization with contextual information. The work has performed in python programming language with several libraries of deep learning were being used for this purpose. There are three functional head networks in our design, and thus the end-to-end and simultaneous training leads to a potential training instability. If the model fails to converge, it is quite hard to trace which head design is raising a problem. Thus, in our design process, we added each the functional head step-by-step, making sure the single head design idea is working correctly and then expanded the model with the rest functional heads. Our DCNN model training started from an initial weight which we had already trained for about 110000 iterations in the model without classification head, so the total training iterations will be around 780000 including the transfer learning part in DCNN. Transfer learning made the DCNN model start at a smart point and made it easier to optimize all of the functional heads simultaneously. Keywords: Vehicle classification, pose estimation, optimization, DCNN, transfer learning, license plate, localization, deep learning.
Israrlı ortam erişim kontrol protokolü tasarlama ve hizmet kalitesinde enerji bilinçli yönlendirme garantili kablosuz vücut alanı ağı
Wireless body area network (WBAN) is a type of wireless sensor network that enables efficient healthcare systems. To minimize frequent sensor replacement due to resource restrictions, it is necessary to improve energy efficiency in WBAN. This thesis deals with energy efficiency and QoS improvement together in novel WBAN architecture. A novel WBAN architecture is designed with dual sink nodes in order to minimize delay and energy consumption. A novel insistence aware medium access control (IA-MAC) protocol which is aware of criticality of sensed data is presented in proposed WBAN. Prior-knowledge based weighted routing (PWR) algorithm is responsible to select optimal route for data transmission. In PWR, weight value is computed by considering significant metrics such as residual energy, link stability, distance, delay, etc. in order to improve energy efficiency and QoS in the network. Energy consumption is further minimized by incorporating graph based sleep scheduling (GSS) algorithm. In GSS, criticality of sensor node also considered as major metric. In coordinator, split and map based neural network (SMNN) classifier is involved to perform packet classification. After classification, packets are assigned to corresponding sink node accordance to packet type. Then, throughput and delay metrics are improved by frame aggregation process which is involved in sink node. Extensive simulation in OMNeT++ shows better performance in network lifetime, throughput, residual energy, dropped packets, and delay.
Derin öğrenme algoritmaları kullanılarak elektrolüminesans görüntüleri ile fotovoltaik hücrelerde kusur tespiti
Güneş enerjisi santrallerinin küresel ölçekte artan kurulum kapasitesi, PV modüllerin işletme ömrü ve verimliliğinin sürdürülebilirliğini kritik bir mühendislik problemi hâline getirmiştir. Üretim, nakliye ve saha montajı süreçlerinde hücre yüzeyinde oluşan mikro çatlaklar ve yapısal deformasyonlar, zamanla ciddi enerji kayıplarına neden olmaktadır. Bu kusurların tespitinde kullanılan EL görüntüleme tekniği endüstriyel standart olsa da elde edilen görüntülerin manuel analizi yüksek uzmanlık gerektirmekte ve zaman maliyeti oluşturmaktadır. Bu tez çalışmasında, PV hücre kusurlarının otonom, hızlı ve piksel hassasiyetinde tespiti için nesne tespiti ve bölütleme yaklaşımlarını birleştiren hibrit derin öğrenme mimarisi önerilmiştir. Çalışma kapsamında, literatürdeki güncel tek aşamalı tespit algoritmalarından YOLOv11 mimarisi ile temel segmentasyon modeli olan SAM 2 entegre edilmiştir. Önerilen yöntem, YOLOv11 aracılığıyla kusurların konumunu sınırlayıcı kutularla belirlemekte ve bu koordinatları "kutu istemi" olarak SAM 2 modeline ileterek kusurların morfolojik sınırlarını hassas şekilde maskelemektedir. Modelin eğitimi ve testi, EL2021 v10 açık kaynak veri seti ve saha çalışmalarından elde edilen özgün görüntülerin birleştirilmesiyle oluşturulan, toplam 13.631 görselden oluşan kapsamlı veri havuzu üzerinde gerçekleştirilmiştir. Deneysel sonuçlar, geliştirilen hibrit modelin "black_core", "crack", "finger", "horizontal_dislocation", "short_circuit", "star_crack" ve "thick_line" kusur sınıfları genelinde 0.885 mAP@0.5 değerine ulaştığını göstermektedir. Sınıf bazlı analizlerde, "black core" ve "short circuit" gibi belirgin kusurlar %99,5 gibi yüksek AP ile tespit edilirken, tespitin en zor olduğu çatlak sınıfında da literatürle rekabetçi sonuçlar elde edilmiştir. Bu çalışma, YOLOv11'in gerçek zamanlı tespit hızı ile SAM 2'nin "zero-shot" segmentasyon yeteneğini birleştirerek, manuel etiketleme maliyetlerini düşüren ve endüstriyel kalite kontrol süreçlerinde uygulanabilir, yüksek doğruluklu otonom sistem ortaya koymaktadır.
Makine öğrenmesi yöntemleri ile kripto varlık piyasalarında fiyat balonlarının tahmini
Bu tez, kripto varlık piyasalarında, özellikle Bitcoin'de, ani değer kayıplarına yol açan fiyat balonlarının araştırılması ve nedenlerinin makine öğrenmesi yöntemleri ile tespit edilmesini amaçlamaktadır. Kripto piyasalarının yüksek oynaklığı ve karmaşık yapısı, ilgili piyasada fiyat balonlarının varlığı konusunda şüphe uyandırmaktadır. Yapılan çalışmada ilk olarak 1 Ocak 2020 ile 5 Haziran 2024 tarihleri arasındaki veriler analiz edilmiş ve fiyat balonları GSADF testi ile tespit edilmiştir. Sonraki aşamada fiyat balonları, makine öğrenmesi ve derin öğrenme sınıflandırma algoritmaları kullanılarak tahmin edilmektedir. Sınıflandırma tahmini için finansal ve ekonomik değişkenlerin yanı sıra çeşitli teknik indikatörler de türetilerek kullanılmaktadır. Metodolojik olarak, özellik mühendisliği aşamasında makroekonomik göstergelere ek olarak RSI, SMA ve ATR gibi teknik göstergeler kullanılmıştır. Veri sızıntısını önlemek amacıyla tüm değişkenler modele gecikmeli olarak dahil edilmiştir. Modellerin performansı, azınlık sınıfı başarımını ölçmeye uygun Test F1 Skoru, PR-AUC ve ROC-AUC metrikleri ile değerlendirilmiştir. Analiz sonuçlarına göre, makine öğrenmesi modellerine kıyasla RNN modeli, %70 eğitim – %30 test bölünmesinde 0,705 Test F1 skoru ve 0,797 PR-AUC değeri ile en yüksek performansı sergilemiştir. Bu çalışma, fiyat balonlarının varlığını tespit etmek ve veriyi etiketlemek amacıyla ekonometrik GSADF testini kullanmıştır. Belirtilen etiketleri öngörmek amacıyla ise RNN tabanlı derin öğrenme mimarisini kullanan iki aşamalı bütünleşik bir metodoloji sunmaktadır. Elde edilen bulgular üç temel alanda somut katkı sağlamaktadır. İlk olarak yatırımcılar için spekülatif balon dönemlerinde riskleri azaltmaya yardımcı olan bir erken uyarı mekanizması sunmaktadır. İkinci olarak düzenleyici kurumlar açısından piyasa gözetimine yönelik uygulanabilir bir analitik çerçeve önermektedir. Son olarak akademik literatüre, finansal zaman serilerinde zaman bağımlılığını modelleyebilen RNN tabanlı yaklaşımların, geleneksel modellere kıyasla daha güçlü genelleme yeteneğine sahip olduğunu ampirik olarak göstermektedir.
Makine öğrenmesi ile adres çözümleme protokolü sahteciliğinin tespiti
Adres Çözümleme Protokolü (Address Resolution Protocol - ARP), ağlardaki cihazların IP adreslerini MAC adreslerine dönüştürmek için kullanılan temel bir ağ protokolüdür. Ancak, bu protokolün doğası gereği güvenlik açısından zayıf olması, kötü niyetli kişiler tarafından kolayca manipüle edilmesine ve ARP sahteciliği (ARP spoofing) gibi saldırılara yol açabilmektedir. ARP sahteciliği, ağ güvenliği açısından büyük risk teşkil eden ve hassas verilerin çalınmasına, ağ trafiğinin yönlendirilmesine ve veri bütünlüğünün bozulmasına neden olabilen kritik bir saldırıdır. Bu tezde, ARP sahteciliğinin tespitinde çeşitli makine öğrenmesi ve derin sinir ağları (Deep Neural Networks - DNN) algoritmalarının kullanımına yönelik bir çalışma gerçekleştirilmiştir. Özel olarak, bu çalışmada, yakın zamanda Alani ve ark. tarafından önerilen DNN modelinin kullanıldığı ARP sondası (APR Probe) sistemi gerçeklenmiş ve bağımsız olarak elde ettiğimiz başarım sonuçları, bahsedilen çalışmada bulunan sonuçlarla karşılaştırılmıştır. Aynı çalışmada, DNN modelinin tasarımında Nesneleri̇n İnterneti̇ Ağ Saldırısı Veri̇ Seti̇ (Internet of Things Network Intrution Dataset – IoT-ID) kullanıldığı belirtilmiş olmakla birlikte, çalışmamızda bu veri setinin tamamının kullanılmadığı gözlenmiş ve tamamının kullanılması sonucunda başarım metriklerinin daha düşük olduğu bulunmuştur. Ayrıca, Karar Ağacı, Rastgele Orman, K-En Yakın Komşu ve Lojistik Regresyon gibi makine öğrenmesi yöntemleri kullanılarak performansları DNN ile karşılaştırılmıştır. Bunun bir sonucu olarak, Rastgele Orman ve Karar Ağacı algoritmaları en yüksek doğruluk (sırasıyla, %95.82, %95.94) ve keskinlik (sırasıyla, %93.24, %93.77) değerlerine ulaşarak en iyi performansı göstermiştir. DNN uygulamaları ise özellikle duyarlılık açısından %99.72 ile en yüksek sonucu vermiştir.
Sezgisel yaklaşımla web tabanlı zaman çizelgeleme yazılımının geliştirilmesi
Millî Eğitim Bakanlığı'na bağlı okullarda ve üniversitelerde haftalık ders programları oluşturmak uzun bir planlama ve hazırlık gerektirir. Ders programı çizelgeleme problemi (DPÇP), sınıfların, derslerin ve bu derslerden sorumlu öğretmenlerin/öğretim elemanlarının kısıtları ve kurumun özellikleri göz önünde bulundurularak en uygun zaman dilimlerine dağıtılmasını gerektiren bir zaman planlama sorunudur. Bu çalışmada, bir okulun haftalık ders programı incelenmiş, analiz edilmiş ve çözülmüştür.
Gözetimsiz öznitelik seçim algoritmalarının karşılaştırılması ve entropiye dayalı yeni bir yöntemin önerilmesi
Özellik seçim işlemi, Makine Öğrenimi algoritmalarının çok boyutluluğun lanetinden (curse of dimensionality) etkilenmemesi için çok önemlidir. Özellik seçim algoritmaları bu sorunu çözmeye çalışmaktadır. Ancak, özellik seçim algoritmalarının bazı yetersizlikleri vardır: (i) Her bir makine öğrenme algoritmasının performansı seçilen özellikler üzerinde önemli ölçüde farklı olabilir. (ii) Sınıflandırıcıların performansında, alt kümedeki varyasyona bağlı olarak önemli dalgalanmalar da gözlemlenebilir. (iii) Seçilen özellikler büyük veri kümeleri üzerinde uzun zaman harcayabilmektedir. Bu tezde, yukarıda bahsedilen sorunlarla başa çıkmak için, tek değişkenli ve filtre yaklaşımına dayanan, hızlı bir gözetimsiz özellik seçim algoritması önerilmektedir. Önerilen algoritma hem dağılımın kümülatif entropisini hem de dağılımın simetrisi ile hesaplanan Shannon entropisini her bir boyut için birlikte ele almaktadır. Son teknoloji algoritmalarla yapılan karşılaştırmalar sonucunda deneysel sonuçlar, önerilen yöntemin diğer yöntemlere kıyasla bu sorunlarla daha iyi başa çıkabildiğini göstermektedir.