13
Archived Theses
0
DOIs Assigned
0%
DOI Rate
Discipline
A new framework for decentralized social networks: Harnessing blockchain, deep learning, and natural language processing
This thesis explores the incorporation of blockchain technology, deep learning (DL), and natural language processing (NLP) to create a decentralized social network that aims to tackle privacy breaches and unethical data manipulation that are inherent in centralized social networks. The main goal is to provide a social media network that is secure, transparent, and focused on the needs of the users. The research is centered around three main areas: augmenting data security and privacy, boosting content authenticity and moderation, and empowering people through data control. Blockchain technology offers a distributed and unchangeable record system that greatly improves the security and confidentiality of data. Blockchain reduces the dangers of centralized data storage, such as data breaches and illegal access, by distributing data across a network of nodes and using cryptographic mechanisms. The research provides evidence that blockchain is capable of securely protecting user data, guaranteeing both privacy and trust. Deep learning and natural language processing (NLP) algorithms are essential for improving the accuracy and control of content authenticity and moderation on social networks. Deep learning algorithms are extremely efficient at classifying content, forecasting user preferences, and identifying suicidal inclinations in posts. This skill is crucial for delivering prompt interventions and guaranteeing a more secure online environment. In addition, the platform's capabilities are enhanced by employing NLP techniques, which enable the system to efficiently comprehend and analyze human language. This involves the identification of similarities between postings and the detection of plagiarism, which are crucial in upholding the validity of content and preventing the dissemination of disinformation. The blockchain-based social network's decentralized architecture grants users enhanced authority over their data, so empowering them. Conventional social networks frequently utilize user data for financial benefit without adequately compensating or empowering the users. Conversely, the suggested solution guarantees that consumers maintain ownership of their data and possess enhanced authority over its utilization. Smart contracts enable transparent and secure interactions, enabling users to participate in transactions and data exchanges without the need for a central authority. Nevertheless, the establishment of a social network based on blockchain technology presents several obstacles. Scalability is a major concern. Public blockchain networks frequently encounter scalability issues as a result of the substantial computational resources needed for transaction validation and consensus methods. This can lead to decreased transaction speed and increased operational expenses, thus impeding the mainstream acceptance of the system. Another obstacle lies in the interpretability of deep learning models. DL algorithms are extremely efficient in data analysis, yet their intricate and obscure nature sometimes leads to them being referred to as "black boxes." The absence of openness can provide challenges, especially in situations when comprehending the decision-making process is essential. Moreover, the incorporation of blockchain and distributed ledger (DL) technologies necessitates substantial processing capacity and infrastructure, which can pose a hindrance for smaller enterprises or individual users. Ensuring that decentralized social networks are accessible and affordable is crucial for their future development and adoption. Future research should prioritize the development and implementation of cutting-edge technologies, such as sharding and off-chain solutions, to improve scalability. Furthermore, it is imperative to prioritize the development of DL models that are easier to understand and to integrate explainable AI techniques in order to improve transparency and foster user trust. By investigating the incorporation of additional cutting-edge technologies, such as edge computing and federated learning, it is possible to enhance the efficiency and safety of decentralized social networks. It is crucial to prioritize the accessibility and cost of these technologies for smaller companies and individual consumers. Ultimately, the combination of blockchain, deep learning, and natural language processing presents a hopeful resolution for revolutionizing social networks. The suggested approach has the potential to revolutionize the social media ecosystem by addressing privacy concerns, improving content authenticity, and empowering users. This study presents an all-encompassing structure for creating a social networking platform that is more safe, transparent, and centered around the needs of the users. This framework sets the stage for future advancements in digital communication. The challenges identified emphasize the necessity of ongoing enhancement and originality to fully achieve the advantages of these technologies. In summary, this thesis adds to the current endeavors aimed at establishing a more secure, fair, and user-focused online atmosphere.
Segmentation of magnetic resonance images with deep learning for the diagnosis of hepatocellular carcinoma
Aim: The aim of this study is to systematically perform a comparative analysis of deep learning-based segmentation models in order to enhance accuracy in the diagnosis of hepatocellular carcinoma (HCC) using magnetic resonance imaging (MRI). The analysis specifically evaluates the impact of different imaging sequences (T1- and T2-weighted), resolution levels, and preprocessing techniques (Gaussian filtering and histogram equalization) on segmentation performance. Methods: In this study, T1-weighted MR images from the ATLAS dataset and T2-weighted MR images obtained from the institution were utilized. Both datasets were processed at three different resolutions (128×128, 256×256, and 512×512). The images were subjected to Gaussian filtering (sigma 1–5) and two distinct histogram equalization techniques: standard Histogram Equalization (HE) and Contrast-Limited Adaptive Histogram Equalization (CLAHE). The performance of the segmentation models was evaluated using several metrics, including the Dice Similarity Coefficient (DICE), Intersection over Union (IoU), Pixel Accuracy (PA), Recall (REC), Sensitivity (SEN), and Specificity (SPE). The results were compared using multivariate statistical tests. Results: The T1-weighted ATLAS dataset demonstrated more consistent and higher overall segmentation performance across standard evaluation metrics. However, the institution's T2-weighted dataset yielded competitive and in some cases superior results for specific metrics. Notably, the T2-weighted images achieved a high Recall score of 0.969 at 128×128 resolution and a high Specificity score of 0.9936 at 512×512 resolution. Gaussian filtering produced optimal results in the sigma 1–2 range, while a noticeable decline in performance was observed at sigma 5. Furthermore, the influence of resolution and filter level on certain metrics particularly Specificity was found to be statistically significant (p < 0.05). Conclusion: The study demonstrates that resolution, MR sequence type, and preprocessing methods must be jointly considered in liver tumor segmentation. Unlike most studies that report only DICE and IoU, this work includes statistical comparisons of multiple metrics. Results show that optimized preprocessing improves both segmentation accuracy and computational efficiency. Thus, the study provides methodological and applied contributions to medical image segmentation. Keywords: Hepatocellular Carcinoma, Deep Learning, Magnetic Resonance Imaging, T1-Weighted Sequence, T2-Weighted Sequence, Segmentation.
Determination of the effectiveness of artificial intelligence models in detecting maize leaf diseases
Maize is a strategic agricultural product that is of great importance as a source of food and feed; however, leaf diseases cause significant losses in production. The time-consuming nature and high error rate of traditional diagnostic methods have accelerated the search for innovative solutions in agriculture. In this study, the automatic diagnosis of Maize leaf diseases using Convolutional Neural Networks (CNN) was investigated. The dataset obtained from Kaggle, containing images of diseased and healthy leaves, was divided into 80% training, 10% validation, and 10% test sets to compare the performance of different CNN models. The ConvNeXt model demonstrated the highest performance with a 96% accuracy rate, followed by DenseNet with 95% and EfficientNet with 94% accuracy rates. MobileNet stood out with a 92% accuracy rate and low computational cost. The results show that modern CNN architectures provide higher accuracy and efficiency compared to older models. The use of deep learning technologies in agricultural applications holds significant potential in the agricultural sector by offering effective and reliable solutions for disease diagnosis.
The utilisation of federated learning in the classification of magnetic resonance images
The early and accurate diagnosis of liver tumors plays a crucial role in improving patient outcomes and determining appropriate treatment strategies. In recent years, machine learning techniques, particularly deep learning, have shown significant potential in enhancing diagnostic accuracy through medical image analysis. However, challenges such as data privacy and security concerns pose significant barriers to training deep learning models using centralized medical datasets. Federated Learning (FL) has emerged as a promising solution, enabling collaborative model training across multiple institutions without the need for sharing sensitive patient data. This study presents a novel application of Federated Learning for liver tumor classification using Magnetic Resonance Imaging scans. The proposed model leverages the EfficientNetB0 architecture within the FL framework. The performance of the FL model is compared to conventional deep learning architectures, including CNN, EfficientNet, MobileNetV3, ResNet50, and VGG16. Experimental results demonstrate that the FL-based EfficientNetB0 model achieves superior performance, with an accuracy of 93.75%, precision of 99.71%, recall of 87.79%, F1-score of 93.37%, and ROC-AUC of 99.19%. These results highlight the potential of FL to provide high classification performance while preserving data privacy. In conclusion, this study underscores the growing role of FL in the healthcare sector, where privacy-preserving AI solutions are becoming increasingly critical. Future work can explore the integration of FL with more advanced architectures and larger, more diverse datasets to further enhance model generalizability and robustness.
Fitness egzersizlerinin gerçek zamanlı doğruluk kontrolü
Bu çalışmanın temel amacı, yanlış uygulanan fitness egzersizlerinin neden olabileceği kas-iskelet sistemi sakatlanmalarını önlemek ve egzersizlerin daha doğru, verimli ve güvenli bir şekilde gerçekleştirilmesini sağlamaktır. Günümüzde bireysel spor yapma eğilimi artmakta olup, profesyonel antrenör desteğine erişim her zaman mümkün olmamaktadır. Bu ihtiyaca yönelik olarak, çalışmada MediaPipe kütüphanesi ve Pose Detection teknolojisi kullanılarak egzersiz hareketlerinin analizini gerçekleştiren gerçek zamanlı bir geri bildirim sistemi önerilmektedir. Vücuda ait anahtar noktaların koordinatları gerçek zamanlı olarak tespit edilmekte ve bu verilere dayanarak eklem açıları hesaplanarak hareket doğruluğu değerlendirilmektedir. Elde edilen veriler, optimizasyon algoritmaları ve istatistiksel analiz teknikleriyle işlenerek, egzersiz formu önceden tanımlı eşik değerlere göre değerlendirilmektedir. Geliştirilen sistem, kullanıcıya anlık ve yönlendirici geri bildirim sağlayarak egzersizlerin doğruluğunu artırmakta; kişisel antrenör ihtiyacını azaltmakta ve fitness alanında dijital teknolojilerin entegrasyonunu desteklemektedir. Bu kapsamda, bireylerin daha güvenli, etkili ve sürdürülebilir egzersiz rutinleri oluşturmalarına katkı sağlanması hedeflenmektedir.
Kolonoskopik görüntülerde polip segmentasyonu
Polipler, normal olmayan doku büyümeleridir. Bu anormal doku büyümeleri, başlangıçta iyi huylu doku büyümeleri olarak bilinse de bazı polip türleri zamanla kanserli hücrelere dönüşebilmektedir. Kolorektal kanser, poliplerin kötü huylu büyümelere dönüşmesiyle ortaya çıkan bir kanser türüdür. Poliplerin erken tanısı ve uygun tedavisi, kolorektal kanserden korunmak için önemlidir. Kolorektal polip tanısında klinik uzman değerlendirmesi, zaman, maliyet ve insan hatası problemlerine açıktır. Bilgisayar destekli tanı sistemleri bu eksikleri gidererek otomatik tanı gerçekleştirir ve böylece bu sorunları minimize eder. Bu tez çalışmasında, kolorektal poliplerin otomatik segmentasyonunu gerçekleştiren literatür çalışmalarının detaylı bir incelemesi yapılmıştır. Ardından, segmentasyonda sağlam ve hassas sonuçlar veren DeepLabv3+ mimarisinin farklı omurga ağlarındaki segmentasyon görevine odaklanılmıştır. Yapılan çalışmada, omurga ağı olarak DenseNet, ResNet50, SqueezeNet ve VGG16 mimarisi kullanılmıştır. Bu dört evrişimsel sinir ağı mimarisini omurga ağı olarak alan DeepLabv3+ mimarisi Kvasir-SEG ve CVC-ClinicDB veri setleri üzerinde test edilmiştir. Kolorektal polip segmentasyon görevinde elde edilen sonuçlar yedi farklı performans metriği üzerinde değerlendirilmiştir. Bu metrikler; ortalama Dice, ortalama Kesişim/Birleşim oranı, doğruluk, geri çağırma, özgüllük, keskinlik ve ortalama en küçük karesel hata metrikleridir. Kvasir-SEG veri seti üzerinde omurga ağı olarak DenseNet mimarisinde en iyi değerlendirme sonuçları elde edilmiştir. Bu sonuçlar sırası ile şöyledir: 0,858 oranında ortalama Dice, 0,850 oranında ortalama Kesişim/Birleşim oranı, 0,948 oranında doğruluk, 0,824 oranında geri çağırma, 0,896 oranında keskinlik ve 0,045 oranında ortalama en küçük karesel hata metriğidir. Özgüllük metriğinde ise en iyi sonuç 0,984 oranında VGG16 mimarisi ile elde edilmiştir. Tez çalışması kapsamında gerçekleştirilen diğer bir çalışma ise U-Net mimarisinin farklı kayıp fonksiyonları üzerinde ki segmentasyon görevi üzerinedir. Bu çalışmada ise, İkili Çapraz Entropi, Tversky, Dice ve Bileşik kayıpları içeren dört farklı model eğitilmiştir. Bu modellerin performansları CVC-ColonDB ve Kvasir-SEG veri setleri üzerinde kapsamlı bir şekilde ölçülmüştür. Deneysel veriler, her iki veri setinde en yüksek segmentasyon doğruluğunun İkili Çapraz Entropi kayıp fonksiyonunun ortaya koyduğunu doğrulamıştır. CVC-ColonDB veri seti için en yüksek doğruluk performansı 0.9761 oranında iken, Kvasir-SEG için bu oran 0.9313 olarak ölçülmüştür. Elde edilen bulgular, kayıp fonksiyonu optimizasyonunun doğruluk ve kararlılık üzerinde belirleyici rol oynadığını göstermektedir.
Kısıtlanmamış doğal dil yazılımgerekliliklerinden alan modellerine
Domain models are used to establish general overview of a software system to ease the communication between the project stakeholders and as various inputs for other software development activities. Due to these benefits, domain model extraction is an important task for both researchers and practitioners of software projects. Domain model extraction process bears challenges such as being labour intensive, requiring extensive communication which is not always possible in real-world projects, and coverage completeness being hard to attain. For these reasons, researchers propose methods to ease and aid the domain extraction process using natural language processing methods. In this study, we propose a fully automated approach to extract domain models from unstructured natural language requirements which combines capabilities of modern language models, a state-of-the-art term ranking algorithm, and a rule based extraction module. We evaluate our proposal with both industrial and educational data sets and perform a quantitative evaluation. The state of the art overperform our approach in the relation detection performance and overall precision of the pipeline. In terms of domain concept coverage and individual concept detection we achieve on par or better overall performance compared to state-of-the-art methods. Our approach perform better in data sets from the industry compared to the students' data sets.
Metasezgisel arama algoritmalarında yakınsama denklemi tasarımı için yeni bir yöntemin geliştirilmesi
Bilgisayarların yaygın kullanımıyla birlikte optimizasyon problemlerini çözmek için doğadan esinlenen metasezgisel arama (MSA) algoritmaları popüler hale gelmiştir. MSA algoritmalarının performansı, özellikle komşuluk araması ve çeşitlilik görevlerindeki başarılarına bağlıdır. Ancak karmaşık problemlerin çözümünde MSA algoritmalarının karşılaştığı iki temel zorluk bulunmaktadır. Birincisi, çok modlu problemlerin arama uzaylarında sıkça bulunan yerel minimum tuzaklarına takılmasıdır. Temel zorluklardan ikincisi ise arama sürecinin sonunda yeterince global çözüme yaklaşamamalarıdır. Bu çalışmada MSA algoritmalarındaki performansı artırmak için yeni bir yöntem olan "Yüzde Hata Değişimi Esaslı Yakınsama Denklemi Tasarlama Yöntemi " önerilmektedir. Bu yöntemde, rehber seçim yöntemleri kullanılarak yakınsama denklemlerinin farklı versiyonları ve halkalar tasarlanmaktadır. Tasarlanan halkaların skorları hesaplanılarak, en yüksek skora sahip halkalardan yakınsama zincirleri oluşturulur. MSA algoritmalarında arama sürecinde hatanın yüzde değişimi takip edilmektedir. Hatanın değişimi belirlenen yüzde hata değişim oranının altında ise tasarlanan zincirler kullanılarak algoritmanın arama performansını iyileştirmeyi amaçlamaktadır. Önerilen yöntemin DE algoritması üzerindeki olumlu etkileri açıkça gözlemlenmiştir.
Çok amaçlı optimizasyon algoritmalarının tasarımı için kümeleme esaslı yeni bir arşiv indirgeme yönteminin geliştirilmesi ve uygulanması
Amaç fonksiyonları çatışma halinde olan çok amaçlı optimizasyon problemlerinin çözümlenmesinde başlıca zorluk küresel en iyi çözüm setinin kararlı ve etkili bir şekilde bulunmasıdır. Literatürdeki çalışmalar kalabalık mesafesi yönteminin arama uzayındaki çeşitliliği sağlamada yetersiz kaldığını rapor etmektedir. Bu tez çalışmasında Pareto-tabanlı çok amaçlı evrimsel arama algoritmalarının çok tipli çok amaçlı optimizasyon problemleri üzerindeki arama performansının iyileştirilmesi için yeni bir arşiv indirgeme yöntemi önerilmektedir. Önerilen yöntemde arşiv indirgeme işlemi dinamik anahtarlamalı referans uzaylar esaslı kümeleme algoritması tarafından yerine getirilmektedir. Bu süreçte, kümeleme mekanizmasının görevi arşivdeki vektörlerin sayısında aşım olduğunda, vektörleri benzerliklerine göre gruplandırmak ve her kümeden sadece bir vektör seçerek arşivi güncellemektir. Kümeleme işleminin gerçekleştirilmesinde referans alınan uzay vektörünün dinamik bir şekilde belirlenmesi sayesinde karar ve amaç uzaylarında çeşitlilik sağlanabilmektedir. Test çalışmalarından elde edilen sonuçlara göre, tasarlanan algoritma hem baz algoritmadan, hem iyileştirilmiş versiyonundan hem de güçlü rakiplerinden daha iyi performans metrik değerlerine sahiptir.
Stack overflow platformunda devops gönderilerindeki trendlerin etiket ve konu modelleme analizi ile belirlenmesi
Bu tez çalışmasında, Stack Overflow (SO) platformundaki yazılım geliştirme ve operasyonların birleştirilmesiyle oluşan DevOps kavramı ile ilgili gönderiler üzerinde etiket analizi ve konu modelleme analizi yapılmıştır. Çalışmanın amacı, DevOps ile ilgili en çok tartışılan konuları, tarihsel gelişimi ve gelecekteki potansiyel eğilimleri belirlemektir. Veri seti, 2008-2023 yılları arasında SO platformunda "devops" etiketiyle paylaşılan 30.600 soru ve 34.327 cevaptan oluşmaktadır. Analiz sürecinde veriler, betimsel istatistikler ve Gizli Dirichlet Ayrımı (GDA) algoritması kullanılarak incelenmiştir. Çalışmanın bulguları "azure-devops" etiketinin 2014'ten itibaren belirgin bir artış gösterdiğini ortaya koymuştur. Bunun yanında DevOps ile ilgili gönderilerin toplam 24 ana konu altında kümelendiği ve "sürekli entegrasyon", "dağıtım otomasyonu", "uygulama performans yönetimi" ve "test odaklı geliştirme" gibi konuların öne çıktığı görülmüştür. Sonuçlar, DevOps topluluğunun genel olarak sürekli entegrasyon ve dağıtım süreçlerindeki karmaşıklıklar ile, araçların entegrasyonu ve performans yönetimi ile uğraştığını göstermiştir. Bu konuların üstesinden gelmek için işbirliği ve iletişimin artırılması, sürekli öğrenme ve iyileştirme süreçlerine odaklanılması önerilmektedir. Bu çalışma, DevOps pratiklerinin optimizasyonuna ve bu alandaki bilgi birikiminin derinleştirilmesine önemli katkılar sağlamaktadır.
Derın öğrenme tabanlı sahte yüz tespiti: model geliştirme, eğitim optimizasyonu ve performans değerlendirmesi için kapsamlı bir yaklaşım
Bu tez çalışması, giderek artan derin sahtecilik tehdidine karşı etkili bir tespit sistemi geliştirmek amacıyla yürütülmüştür. Üretken çekişmeli ağların ve evrişimli sinir ağlarının gerçekçi sahte yüz içeriği üretme yeteneği, siber güvenlik ve sosyal medya platformları için ciddi zorluklar oluşturmaktadır. Bu araştırmada, ConvNeXt mimarisi derin sahtecilik tespiti için optimize edilmiş, %61 daha az parametreye (29.1M'den 11.3M'e) sahip yenilikçi aşama konfigürasyonu ile modelin tespit kabiliyeti korunmuştur. Ağın ayırt edici bölgelere odaklanmasını sağlamak üzere Sıkıştır-ve-Uyar dikkat mekanizması kullanılmıştır. Farklı modellerin topluluk öğrenmesi ve Test Zamanı Veri Artırma tekniklerinin birleşimi, tespit doğruluğunda önemli iyileşmeler sağlamıştır. Gerçek görüntü veri seti FaceForensics++ ve CelebA veri setlerinden, manipüle edilmiş görüntüler ise FaceForensics++ sahte videolarından (Deepfakes, Face2Face, FaceSwap, NeuralTextures) elde edilmiştir. Performans değerlendirmesinde kesinlik, duyarlılık, F1-skoru ve AUC-ROC metrikleri kullanılmıştır. Deneysel sonuçlar, önerilen topluluk tabanlı yaklaşımların üstün performans sergilediğini göstermiştir. Bu çalışma, parametre-verimli model tasarımı ve topluluk optimizasyon stratejilerinde katkılar sunarak derin sahtecilik tehditlerine karşı etkili savunma mekanizmaları geliştirmede önemli bir adım teşkil etmektedir.
Anomaly detect ionin internet of medical things using deep learning
The increasing adoption of the Internet of Medical Things (IoMT) in healthcare systems offers transformative benefits in patient monitoring, real-time diagnostics and automated medical services. However, this growing integration of interconnected medical devices into healthcare infrastructures simultaneously opens up critical cybersecurity vulnerabilities. IoMT environments are particularly vulnerable due to their device heterogeneity, constrained computational capabilities and the high-stakes nature of patient data and services. Traditional signature-based intrusion detection systems (IDS) fall short in handling modern and evolving network threats, particularly zero-day attacks and subtle anomalous behavior that may not match known malicious patterns. Consequently, there is a pressing need for intelligent anomaly detection solutions that are capable of learning complex attack patterns from network data in IoMT contexts. This thesis presents a comprehensive investigation into machine learning (ML) and deep learning (DL) approaches for network-based anomaly detection using the CICIoMT2024 dataset, one of the most comprehensive benchmark datasets in this field. The goal is to evaluate and compare the effectiveness of different algorithms in classifying network traffic into normal and various anomalous categories, thereby providing a strong baseline for future IoMT security frameworks. The dataset includes traffic from diverse IoMT devices and comprises 18 distinct attack classes in addition to benign data. Our experiments are structured around three classification tasks: binary classification (benign vs. anomalous), 6-class classification (aggregated attack categories) and 19-class classification (fine-grained attacks). In the baseline evaluation, traditional machine learning models such as Logistic Regression, Random Forest and AdaBoost were trained using standard pipeline techniques involving data cleaning, class balancing, and performance metrics evaluation. For the binary classification task, Random Forest performed exceptionally well, achieving an accuracy of 0.98 along with high precision and recall, demonstrating that classical models are still highly effective for simple anomaly detection tasks where the decision boundaries are more clearly separable. To address more complex classification tasks, deep learning architectures were introduced. These included Dense Neural Networks (DNN), 1D Convolutional Neural Networks (Conv1D), Recurrent Neural Networks (RNN), Long Short-Term Memory (LSTM) networks and Attention mechanisms. Furthermore, we proposed hybrid deep learning models that combine RNN layers with LSTM units and Attention mechanisms. The hybrid model architecture, specifically the RNN + LSTM + Attention stack, demonstrated superior performance in handling multivariate time series data with spatial and temporal dependencies. This model achieved an accuracy of 0.99 in binary class task, 0.82 in the 6-class task and 0.66 in the 19-class task, significantly outperforming the standalone models The attention mechanism enhanced the model's capacity to focus on the most informative time steps, particularly in sequences where anomalous behavior manifests intermittently or subtly. This capacity to dynamically prioritize relevant temporal features proved crucial in distinguishing between closely related attack types, such as DoS vs. DDoS or Spoofing vs. Benign traffic. Additionally, the inclusion of stacked layers in the hybrid models allowed for multi-level abstraction, enabling the model to learn both short-term patterns (through RNN layers) and long-term dependencies (through LSTM layers). Despite these promising results, the research identified several limitations. First, the reliance on a single dataset, albeit comprehensive, may limit generalizability. Second, deep models entail considerable computational overhead, rendering them less feasible for real-time or edge deployment without optimization. Lastly, class imbalance, even after downsampling, remains a challenge in training fair and unbiased models, especially when detecting underrepresented attack types. To overcome these limitations and further advance the field, several recommendations for future work are proposed. One major direction involves optimizing models for real-time deployment on edge devices using model compression techniques like weight sparsification, reduced-precision formats and teacher-student training frameworks. Another crucial area is explainability—employing tools like SHAP, LIME, or attention heatmaps can help visualize decision-making processes and provide insights into model behavior, thereby increasing trust in AI-powered intrusion detection systems. Moreover, expanding the dataset to include traffic from newer IoMT devices and communication protocols would enhance generalization and adaptability to real-world conditions. Feature engineering is another avenue for improvement. Re-extracting and enriching feature sets from raw pcap files could uncover new, more discriminative patterns—especially those that are currently indistinguishable using the existing features. This could also improve classification performance for subtle or overlapping attack types. Furthermore, adaptability to dynamic conditions in IoMT networks, which frequently experience changes in traffic volumes, device states, and operational contexts, is critical. Online learning, domain adaptation, and continual training approaches could help ensure models remain effective over time. Lastly, cross-dataset generalization and benchmarking are necessary to test the robustness and transferability of proposed models across different network environments. Evaluating the trained models on other benchmark datasets or real-world IoMT traffic can reveal the degree to which these systems can handle diverse operational scenarios and novel attack strategies. In conclusion, this thesis provides a thorough and structured comparison of various machine learning and deep learning methods for anomaly detection in IoMT networks using a large, realistic dataset. The findings underscore the potential of hybrid deep learning models with attention mechanisms to outperform traditional techniques in complex classification tasks. Nevertheless, realizing practical and generalizable solutions requires further efforts in dataset diversification, model explainability, optimization for edge devices, and adaptive learning strategies. As healthcare continues to evolve into a more connected and data-driven domain, robust and intelligent anomaly detection systems will play a crucial role in protecting patient data and ensuring the continuity and security of critical medical services.
Virtual context-based multi-camera vehicle tracking
Vision-based vehicle detection and tracking systems are becoming essential utilities for extracting statistical traffic information on roads. However, single camera causes data loss due to occlusion or insufficient shooting area. The camera position is also an important factor for healthy observation. There are panoramic cameras or fish-eye cameras to observe wider scene, however they do not solve the occlusion problem. In this study we propose a new concept "virtual context" which is created by merging multiple camera video streams intelligently. This context can be fed to any object detection and tracking algorithm such as YOLO.