Browsing by Author "Dikmen, Mehmet"

Now showing 1 - 9 of 9

Evaluation and Comparison of Landslide Susceptibility Mapping Methods: A Case Study for the Ulus District, Bartin, Northern Turkey
(2015) Eker, Arif Mert; Dikmen, Mehmet; Cambazoglu, Selim; Duzgun, Sebnem H. B.; Akgun, Haluk; 0000-0002-0584-5577; AAG-8859-2019
The purpose of this study was to investigate the capabilities of different landslide susceptibility methods by comparing their results statistically and spatially to select the best method that portrays the susceptibility zones for the Ulus district of the Bartin province (northern Turkey). Susceptibility maps based on spatial regression (SR), linear discriminant analysis (LDA), quadratic discriminant analysis (QDA), logistic regression (LR) method, and artificial neural network method (ANN) were generated, and the effect of each geomorphological parameter was determined. The landslide inventory map digitized from previous studies was used as a base map for landslide occurrence. All of the analyses were implemented with respect to landslides classified as rotational, active, and deeper than 5m. Three different sets of data were used to produce nine explanatory variables (layers). The study area was divided into grids of 90mx90m, and the 'seed cell' technique was applied to obtain statistically balanced population distribution over landslide inventory area. The constructed dataset was divided into two datasets as training and test. The initial assessment consisted of multicollinearity of explanatory variables. Empirical information entropy analysis was implemented to quantify the spatial distribution of the outcomes of these methods. Results of the analyses were validated by using success rate curve (SRC) and prediction rate curve (PRC) methods. Additionally, statistical and spatial comparisons of the results were performed to determine the most suitable susceptibility zonation method in this large-scale study area. In accordance with all these comparisons, it is concluded that ANN was the best method to represent landslide susceptibility throughout the study area with an acceptable processing time.
Görsel estetik analizi
(Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2020) Kurt, Onur Deniz; Dikmen, Mehmet
Görsel Estetik Analizi bir görseldeki beğeni noktalarının bulunması ve değerlendirilmesinin yapıldığı faaliyetler bütünüdür. Günümüzde sosyal medya platformlarının (Instagram, Facebook, Flickr vb.) yaygınlığını arttırması sonucu “Görsel Estetik Analizi” ile ilgili çalışmalar gittikçe daha popüler hale gelmiştir. Internet ortamında kullanıcıların kendi çektikleri resimleri yüklediği ve diğer kullanıcıların yüklenen bu resimlere beğeni bıraktığı ya da bu resimleri puanladıkları birçok platform vardır. Bu noktada ise hangi resimlerin daha çok beğenileceği ya da beğenilmeyeği sorusu gündeme gelmektedir. Bu çalışmada bir resmin kaç puan alacağını tahmin etmeye yarayan bir çözüm yolu önerimi yaptık. Bir sosyal medya kullanıcısının fotoğraf arşivindeki resimlerden hangisinin daha çok beğeni alacağını geliştirilen yöntem ile bulup daha iyi sonuç alınan resmi sosyal medya platformuna yüklemesini sağlamayı amaçladık. Bu yöntemin geliştirilmesi sırasında literatürde yer alan derin öğrenme metotları araştırılmış ve bu yöntemin geliştirilmesi için bir Evrişimsel Sinir Ağı (ESA) yapılarını kullandık. Geliştirme ortamı olarak MATLAB platformunu tercih ettik ve uygulama kodlarını bu platformda yazdık. Sonuç bölümünde, yapılan tez çalışmasını değerlendirilerek, ileride yapılabilecek çalışmaları belirttik. Visual Data Analysis is a set of activities for detecting the interesting parts of an image and analysing them. Nowadays, as the social media platforms (Instagram, Facebook, Flickr etc.) grow, the works related to “Visual Data Analysis” are becoming more popular everyday. There are many platforms on the internet for users to upload their own images and to rate other images which were uploaded by other users. At this point a question reveals as “Which images get more like than others?”. This thesis proposes a solution for predicting the aesthetich score of an image. The aim of the thesis is to allow a social media user to get the predicted score of his/her images. This prediction guide him/her to upload the better scored image to his/her social media account. During the development of this model, deep learning methods have been studied in the literature and a Convolutional Neural Network (CNN) structure is used. MATLAB is used as development enviroment and application codes were developed on this platform. In the conclusion section the results and the probable future works have given.
Havacılık sanayinde kullanılan takım ve aparatların tasarım sürelerinin makine öğrenmesi yöntemleri ile kestirilmesi.
(Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2020) Aktan, Nazmi Umut; Dikmen, Mehmet
Özellikle büyük ölçekli tasarım projelerinde, tasarım eforunun (süresinin) doğru tahmin edilmesi, bir proje planı oluşturmada önemli bir faktördür. Sadece uzman görüşüne dayanan bu tahminler yanlış ya da yetersiz yapıldığında proje planına büyük zararlar verebilmektedir. Belirtilen problem üzerine, havacılık endüstrisindeki takım tasarım eforunu tahmin edebilen bir makine öğrenmesi modeli geliştirilmesi amaçlanmıştır. Sayısal değerler içermeyen her bir takımın tasarım gereksinimi girdisi kurumsal veri tabanından uygun sorgular ile elde edilmiştir. İlgili verilerin sayısallaştırılabilmesi için girdi üzerinde çeşitli deneyler yapılarak en verimli kodlama yöntemi seçilmiştir. Sayısallaştırılan girdi verisinden, takım tasarım eforunu tahmin edebilmek için yaygın olarak kullanılan karar ağacı, Destek Vektör Makinesi, Doğrusal Regresyon ve Yapay Sinir Ağı makine öğrenmesi yöntemleri üzerinde deneyler yapılmıştır. Bu çalışmada; takım tasarım eforunun en iyi şekilde kestirimi için ideal makine öğrenme modelini tespit etmek ve en uygun girdi ve parametre setini oluşturmak hedeflenmiştir. Especially in large-scale design projects, the correct estimation of the design effort (time) is an important factor in creating a project plan. These estimates, based only on expert opinion, can cause great damage to the project plan when made incorrectly or insufficiently. Based on the specified problem, it is aimed to develop a machine learning model that can predict the tool design effort in the aviation industry. The design requirement input of each tool that does not contain numerical values was obtained from the cooperate database with suitable data queries. In order to deflate the relevant data into numerical, the most efficient encoding method was selected by performing various experiments on the input data. Experiments have been carried out on commonly used decision tree, Support Vector Machine, Linear Regression and Artificial Neural Network machine learning methods to predict tool design effort from encoded input data. In this study; it is aimed to determine the ideal machine learning model for the best estimation of tool design effort and to create the most appropriate input and parameter set.
Investigating Transfer Learning Performances of Deep Learning Models for Classification of GPR B-Scan Images
(2022) Dikmen, Mehmet
Recent advances in deep learning models have made them the state-of-the art method for image classification. Due to this success, they have been applied to many areas, such as satellite image processing, medical image interpretation, video processing, etc. Recently, deep learning models have been utilized for processing Ground Penetrating Radar (GPR) data as well. However, studies general focus on building new Convolutional Neural Network (CNN) models instead of utilizing baseline ones. This paper investigates the usefulness of existing baseline CNN models for classifying GPR B-scan images and aims to determine how well pre-trained models perform. To that end, a real bridge deck GPR data, DECKGPRHv1.0 dataset was used to evaluate the transfer learning performances of various CNN models. Different variants of the models in terms of varying depths and number of parameters were also considered and evaluated in a comparative manner. Although it is an older model, ResNet achieved the best results with 0.998 accuracy. The experimental results showed that there is generally a direct correlation between the simplicity of the model and its success. Overall, it is concluded that near perfect results are possible by just adapting pretrained models to the problem without fine-tuning.
A Learning-Based Resegmentation Method for Extraction of Buildings in Satellite Images
(2014) Dikmen, Mehmet; Halici, Ugur; https://orcid.org/0000-0002-0584-5577; AAG-8859-2019
This letter introduces a new method for building extraction in satellite images. The algorithm first identifies the shadow segments on an oversegmented image, and then neighboring shadow segments, which are assumed to be cast by a single building, are merged. Next, candidate regions where buildings most likely occur are detected by using these shadow regions. Along with this information, closeness to shadows in illumination direction and spectral properties of segments are used to classify them as belonging to a "building" or not. Then, a resegmentation is performed by merging only the neighboring segments, which are classified as building. Finally, postprocessing is performed to eliminate some false building segments. The approach was tested on several Google Earth images, and the results are found to be promising.
Makine öğrenimi kullanarak tweet popülerite tespiti için karşılaştırmalı bir çalışma
(Başkent Üniversitesi Fen Bilimler Enstitüsü, 2023) Aksaç, Ceyda; Dikmen, Mehmet
İnternet medyası günümüzde oldukça popüler durumdadır. Yazılı basın, her ne kadar popülerliğini tam olarak yitirmemiş olsa da, alternatif yollardan haber alabilmek ve pek çok farklı mecra üzerinden haber takip etmek internet kullanıcıları tarafından yapılabilmekte, bu durum da internet medyasının popülerliğini arttırmaktadır. İnternet medyasının önemli bir bacağını sosyal medya paylaşımları oluşturmaktadır. Bu sayede haberciler, büyük çoğunlukta okuyucuya erişim sağlayabilmektedir. Okuyucular ise sosyal medya üzerinden teyitli, medya kullanıcıları yardımıyla doğru habere erişim sağlayabilmektedirler. Tüm bu değişimler esnasında, internet medyası yöneticileri ve yazarları tarafından haberlerin ya da makalelerin kullanıcılara erişiminin sağlanması ve gördükleri ilgi oldukça önem arz etmektedir. Bu tez çalışmasında, teyitli haber organlarının Twitter üzerinden gerçekleştirdiği paylaşımların popülerliklerinin çeşitli makine öğrenme teknikleri yardımıyla tahmin çalışması yapılmış ve kullanılan yöntemlerden elde edilen sonuçlar karşılaştırılmıştır. Destek Vektör Makineleri, Lojistik Regresyon, Naive Bayes Sınıflandırıcı, K En Yakın Komşu Algoritması, Rastgele Orman ve Derin Pekiştirmeli Öğrenme (İkili Derin Q-Öğrenme) yöntemleri kullanılarak deneyler gerçekleştirilmiştir. Tez çalışmasında kullanılan yöntemlerden en iyi sonuçlar K En Yakın Komşu, Rastgele Orman ve derin pekiştirmeli öğrenme algoritması ile elde edilmiştir. Bu yöntemle elde edilmiş olan F1-skor 0.87 şeklindedir. En kötü F1-skor sonucuna ise Naive Bayes sınıflandırıcı ile ulaşılmıştır. Naive Bayes sınıflandırıcı 0.63 sonuç vermiştir. Radial Basis çekirdek fonksiyonu ile SVC için 0.88, Lineer SVC için 0.84, lojistik regresyon içinse 0.83 F1-skor sonucu elde edilmiştir. Internet media is very popular nowadays. Although printed media has not completely lost its popularity, it is possible for internet users to get news from alternative ways and to follow news through many different channels, which increases the popularity of internet media. An important issue of internet media is social media sharing. In this way, journalists can access most readers. Readers, on the other hand, can access the right news with the help of confirmed media users via social media. During all these changes, it is very important to ensure that news or articles are accessible to users and the interest they receive by internet media managers and writers. In this thesis, a comparison of the popularity of the shares made by the confirmed news organs on Twitter was made with the help of various machine learning techniques. Experiments were carried out using Support Vector Machines, Logistic Regression, Naive Bayes classifier, K Nearest Neighbor Algorithm, Random Forest and Deep Reinforcement Learning (Double Deep Q-Learning) methods. The best results from the methods used in the thesis study were obtained with K Nearest Neighbor, Random Forest and Deep Reinforcement Learning algorithms. The F1-score obtained with this method is 0.87. The worst F1-score result was obtained with the Naive Bayes classifier. Naive Bayes classifier gave 0.63 results. An F1-score of 0.84 for linear SVC, 0.88 for radial basis kernel function SVC and 0.83 for logistic regression was obtained. Internet media is very popular nowadays. Although printed media has not completely lost its popularity, it is possible for internet users to get news from alternative ways and to follow news through many different channels, which increases the popularity of internet media. An important issue of internet media is social media sharing. In this way, journalists can access most readers. Readers, on the other hand, can access the right news with the help of confirmed media users via social media. During all these changes, it is very important to ensure that news or articles are accessible to users and the interest they receive by internet media managers and writers. In this thesis, a comparison of the popularity of the shares made by the confirmed news organs on Twitter was made with the help of various machine learning techniques. Experiments were carried out using Support Vector Machines, Logistic Regression, Naive Bayes classifier, K Nearest Neighbor Algorithm, Random Forest and Deep Reinforcement Learning (Double Deep Q-Learning) methods. The best results from the methods used in the thesis study were obtained with K Nearest Neighbor, Random Forest and Deep Reinforcement Learning algorithms. The F1-score obtained with this method is 0.87. The worst F1-score result was obtained with the Naive Bayes classifier. Naive Bayes classifier gave 0.63 results. An F1-score of 0.84 for linear SVC, 0.88 for radial basis kernel function SVC and 0.83 for logistic regression was obtained.
Otomotiv endüstrisinde makine öğrenimi teknikleri kullanılarak araç fiyatlarının tahmin edilmesine yönelik karşılaştırılmalı bir çalışma
(Başkent Üniversitesi Fen Bilimler Enstitüsü, 2022) Akgök, Laden; Dikmen, Mehmet
Pazarlamada doğru tahminlerin yapılabilmesi, finansal getirisi daha yüksek sonuçlar almak ve stratejik kararların daha doğru verilebilmesi açısından önemlidir. Sadece uzman görüşü ile yapılan tahminler yanlış veya yetersiz olabilir ve şirketlere büyük maddi zararlar verebilir. Bu çalışmada, popüler makine öğrenmesi teknikleri ile otomotiv endüstrisindeki araç fiyatları tahmin edilerek bu soruna bir çözüm sunulmaktadır. Son yıllarda literatürde başta moda ürünleri, perakende/pazar ürünleri olmak üzere bilgisayar, elektronik ürünler ve çevrimiçi ürün satışlarının fiyat tahmininde makine öğrenmesi teknikleri kullanılmaktadır. Bu çalışmada, Karar Ağacı, Rastgele Orman, Destek Vektörü, ve Yapay Sinir Ağları yöntemlerinin bir otomotiv satış veri seti üzerindeki performansları değerlendirilmiş ve karşılaştırılmıştır. Deneylerde, 13 özellikli (seri numarası, yeni fiyat, model, konum, yıl, gidilen kilometre, yakıt türü, şanzıman, araç sahibi türü, kilometre, motor, güç, koltuk, fiyat) ve 6019 örnek içeren bir satış veri seti kullanılmış ve üç aşamalı bir ön işlem uygulanmıştır. Bu ön işlemenin son aşamasında Sıralı, One Hot, İkili ve Frekans kodlama yöntemleri ile kategorik değerler sayısal verilere dönüştürülmüştür. Tüm analizlerde fiyat tahmin hatasının hesaplanmasında K-Katlamalı Çapraz Doğrulama yöntemi kullanılmıştır. Yapılan deneyler sonucunda kullanılan veri seti üzerinde en iyi sonucu veren kodlama yöntemi ile en iyi tahmin yöntemi karşılaştırmalı olarak ortaya konmuştur. Sonuçlar, bu çalışmayı ilgili uygulamalar için potansiyel bir seçim haline getiren bazı ilginç noktalar sunmuştur. Precise estimations in marketing is important in terms of getting results with higher financial returns and making more accurate strategic decisions. Estimations made only by expert opinion can be incorrect or insufficient and cause great financial damage to companies. In this study, a solution to this problem is presented to forecast vehicle prices in the automotive industry by using popular machine learning techniques. In recent years, machine learning techniques have been used in the literature for price estimation of computer, electronic products and online product sales, mainly fashion products, retail/market products. In this study, performances of Decision Tree, Random Forest, Support Vector, and Artificial Neural Networks regression techniques on an automotive sales dataset are evaluated and compared. In experiments, a sales dataset of 6019 samples with 13 features (serial number, new price, name, location, year, mileage driven, fuel type, transmission, owner type, mileage, engine, power, seats, price) was used, and a three-stage pre-processing was applied. In the last stage of this pre-processing, categorical values were converted into numerical data by Label, One Hot, Binary and Frequency coding techniques. In all analyses, K-Fold Cross Validation method was used in the estimation of price prediction error. As a result of the experiments, the best coding and the best estimation method on this data set were revealed comparatively. The results have presented some interesting points which makes this study a potential choice for relevant applications.
Silhouette Extraction from Street View Images
(2014) Mutlu, Begum; Haciomeroglu, Murat; Guzel, Mehmet Serdar; Dikmen, Mehmet; Sever, Hayri
This study addresses the issue of silhouette extraction of a street, and proposes two novel approaches to overcome this problem. The first, namely hybrid stitching considers the silhouette extraction as an image stitching problem and aims to use 2D street view images. The algorithm used in this method integrates a new composition technique into a conventional image stitching pipeline. The developed software using the proposed hybrid approach results in better stitching performances when compared with the popular stitching tools in the literature. Despite the results of the proposed method are better than the state-of-the-art image stitching techniques in many cases, they are not reliable enough to handle all of the street view image sets. Accordingly, a second solution has been proposed, including 3D location information, namely, 3D Silhouette Extraction Pipeline. The pipeline involves several techniques and post-processing steps to handle both the transformation and projection of the obtained point cloud, and the elimination of misleading location information. The results reveal that compared with the 2D solutions, the proposed algorithm is very effective and more reliable in silhouette extraction of a street, which is critical in urban transformation and environmental protection.
Yere nüfuz eden radar görüntülerinde derin öğrenme ile askeri anlamda tehdit oluşturabilecek gömülü alanların tespiti
(Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2021) Özsoy, Nihat; Dikmen, Mehmet
Gömülü kara mayınlarının ve el yapımı patlayıcıların varlığı, özellikle ordular için dünyanın birçok bölgesinde ciddi bir tehdittir. Gömülü nesneleri tespit etmek ve sınıflandırmak için literatürde çeşitli teknikler önerilmiş ve geliştirilmiş olmasına rağmen, yüksek doğruluk performansı sağlayan otomatik ve kullanımı kolay sistemler hala araştırılmaktadır. Evrişimsel Sinir Ağları (ESA) yakın zamanda görüntü sınıflandırma ve nesne algılama görevlerinde olağanüstü performans göstermiştir. Büyük miktarda veri ve donanım teknolojisindeki iyileşme, ESA’ndaki araştırmayı hızlandırmış ve son zamanlarda derin ESA mimarileri tanıtılmıştır. Dahası, yere nüfuz eden radar (YNR) yardımıyla gömülü nesnelerin tespiti için ESA da kullanılır hale gelmiştir. YNR, gömülü tehdit tespiti için en çok çalışılan yöntemlerden biridir. Bu tez çalışmasında kullanılan veriler araca monteli YNR sistemi kullanılarak toplanmıştır. Deneysel veri seti 8664 pozitif ve 8596 negatif YNR görüntüsünden oluşmaktadır. Bu tez çalışması, YNR verilerinde gömülü tehditlerin tespiti için yeni bir ESA mimarisi önermektedir. Önerilen ESA ile gerçekleştirilen sınıflandırmada 10 kat çapraz doğrulama kullanılmış ve ortalama yüzde 98 genel doğruluk elde edilmiştir. Önerilen ESA mimarisi literatürde bilinen farklı ESA mimarileri ile de kıyaslanmıştır. Ayrıca, filtre sayısı, optimizasyon çeşitleri, dropout oranı ve auto encoder downsampling gibi farklı parametreler ile de test edilerek önerilen mimarinin avantaj ve dezavantajları ortaya konulmuştur. The presence of buried landmines and improvised explosive devices is a serious threat in many areas around the world, especially for armies. Despite the fact that various techniques have been proposed and improved in the literature to detect and classify buried objects, automatic and easy to use systems providing high accuracy performance are still under research. Convolutional Neural Networks (CNNs) have recently shown outstanding performance on image classification and object detection tasks. The availability of large amount of data and improvement in hardware technology has accelerated the research in CNN, and in the recent times deep CNN architectures have been introduced. Moreover, CNNs are also used for the detection of buried objects with the help of ground penetrating radar (GPR). GPR is one of the most studied modalities for buried threat detection. The data used in thesis was collected using a vehicle mounted GPR system. The experimental data set comprised of 8664 positive and 8596 negative GPR images. This study proposes a novel CNN architecture for the detection of buried threats in GPR data. In the classification performed with the proposed CNN, 10-fold cross-validation was used and an average overall accuracy of 98 percent was obtained. The proposed CNN architecture has also been compared with different CNN architectures known in the literature. In addition, the advantages and disadvantages of the proposed architecture are revealed by experimenting the architectural filter sizes, optimization types, dropout rates and auto encoder downsampling features.