Browsing by Author "Erdaş, Çağatay Berke"

Now showing 1 - 3 of 3

Derin öğrenme ve makine öğrenme teknikleri kullanılarak göz hastalıklarının tespiti
(Başkent Üniversitesi Fen Bilimler Enstitüsü, 2023) Arslan, Gözde; Erdaş, Çağatay Berke
Göz hastalıkları insan yaşamını ciddi derecede etkileyen sağlık sorunlarından biridir. Göz hastalıkları arasında bulunan katarakt, diyabetik-retinopati, glokom gibi hastalıklar görme bozukluğuna ve geri dönüşü olmayan göz kusurlarına neden olur. İnsan yaşamında genetik, yaş ve çevresel faktörler göz sağlığını önemli ölçüde etkiler. Hastalık tespitin yapılması ve dolayısıyla hastanın yaşam kalitesinin yükseltilebilmesi için hastalığın doğru bir şekilde tespiti kritik bir rol oynamaktadır. Gelişen teknoloji ile yapay zeka göz kusurlarını ve dolayısıyla ilgili gözde bir hastalık olup olmadığını tespit edebilmektedir. Bu tez çalışması, önemli sağlık sorunlarından göz hastalıklarının derin öğrenme modelleri ve makine öğrenmesi algoritmaları kullanılarak tespit edilmesine yönelik çözümler geliştirmeyi amaçlamaktadır. Bu çalışmada derin öğrenme türlerinden biri olan Konvolüsyonel Sinir Ağları modelleri ve makine öğrenme algoritmaları kullanılmıştır. Hastalık başarısının tahmini ve sınıflandırılmasında geleneksel makine öğrenmesi algoritmalarından Destek Vektörü Makinesi, Naive Bayes Sınıflandırıcısı, K-En Yakın Komşu, Rastgele Orman kullanılmıştır. CNN modelinden DenseNet, EfficientNet, VGG, ResNet ve Xception mimarileri kullanılmıştır. Çoklu sınıflandırma probleminde, hastalık tespiti için kullanılan veri setinde 1074 normal, 1007 glokom, 1098 diyabetik-retinopati, 1038 katarakt verileri olmak üzere toplamda 4217 Retinal Fundus görüntüsü içermektedir. İkili sınıflandırma probleminde, hastalık tespiti için kullanılan veri setinde 1374 normal ve 1374 hastalıklı veriler olmak üzere toplamda 2748 Retinal Fundus görüntüsü içermektedir. Retinal Fundus göz hastalığı sınıflandırması çalışmasında ise hazır CNN mimarileri ve makine öğrenme ile mevcut probleme uyarlanarak deneyler yürütülmüş ve performansları karşılaştırılmıştır. CNN mimarilerinin konvolüsyonel katmalarında otomatik olarak üretilen öznitelikler makine öğrenme sınıflandırıcılarını beslemek için kullanılmıştır. Tespit ve sınıflandırma çalışmalarında elde edilen performanslara göre derin öğrenme mimarilerinin makine öğrenmesi algoritmalarından üstün geldiği gözlemlenmiştir. Eye diseases are one of the health problems that seriously affect human life. Diseases such as cataract, diabetic-retinopathy, glaucoma, which are among the eye diseases, cause visual impairment and irreversible eye defects. Genetic, age and environmental factors significantly affect eye health in human life. Accurate detection of the disease plays a critical role in detecting the disease and thus improving the quality of life of the patient. With the developing technology, artificial intelligence can detect eye defects and therefore whether there is a disease in the related eye. This thesis study aims to develop solutions for the detection of eye diseases, which are important health problems, by using deep learning models and machine learning algorithms. In this study, Convolutional Neural Network models, which is one of the deep learning types, and machine learning algorithms were used. In the prediction and classification of disease success, Support Vector Machine, Naive Bayes Classifier, K-Nearest Neighbor, Random Forest, which are traditional machine learning algorithms, were used. DenseNet, EfficientNet, VGG, ResNet and Xception architectures from the CNN model were used. In the multi-classification problem, the data set used for disease detection includes a total of 4217 Retinal Fundus images, 1074 normal, 1007 glaucoma, 1098 diabetic-retinopathy, 1038 cataract data. In the binary classification problem, the data set used for disease detection includes a total of 2748 Retinal Fundus images, 1374 normal and 1374 diseased data. In the retinal fundus eye disease classification study, experiments were carried out by adapting them to the existing problem with ready-made CNN architectures and machine learning, and their performances were compared. Automatically generated features in convolutional layers of ready-made CNN architectures are used to feed machine learning classifiers. According to the performances obtained in detection and classification studies, it has been observed that deep learning architectures are superior to machine learning algorithms.
End-to-End, real time and robust behavioral prediction module with robot operating system for autonomous vehicles
(Başkent Üniversitesi Fen Bilimler Enstitüsü, 2023) Kayın, Tolga; Erdaş, Çağatay Berke
In the world, where urbanization and population density are increasing, transportation methods are also diversifying and the use of unmanned vehicles is becoming widespread. In order for unmanned vehicles to perform their tasks autonomously, they need to be able to perceive their own position, the environment and predict the possible movements/routes of environmental factors, similar to living things. In autonomous vehicles, it is extremely important for the safety of the vehicle and the surrounding factors, to be able to forecast the probable future location of the objects around it with high performance so that the vehicle can plan itself correctly. Due to the stated reasons, the behavioral prediction module is a very important component for autonomous vehicles, especially in moving environments. In this study, a robotic behavioral prediction module has been developed to enable the autonomous vehicle to plan more safely and successfully. Data has been collected by driving with an autonomous vehicle, and the developed module has been tested. The relevant module has been integrated into the ongoing autonomy project. The proposed method has been observed to operate accurately and fast within up to three seconds. Küresel olarak nüfus yoğunluğunun arttığı şehirleşme sürecinde, ulaşım seçenekleri çeşitlenmekte ve insansız araçlar daha yaygın hale gelmektedir. İnsansız araçlar, kendi görevlerini otonom bir şekilde yerine getirebilmek için canlı organizmalar gibi çevrelerini algılayabilmeli, konumlarını belirleyebilmeli ve çevresel faktörlerin olası hareketlerini ya da yollarını tahmin edebilmelidir. Otonom araçlar, etkili bir planlama gerçekleştirebilmek için çevredeki nesnelerin gelecekteki pozisyonlarını doğru bir şekilde tahmin edebilmelidir. Bu, hem aracın güvenliği hem de çevredeki faktörlerin güvenliği açısından son derece kritik bir unsurdur. Davranışsal tahmin yeteneği olmayan bir otonom araç, tüm nesneleri sabit olarak varsayarak planlama yapar, ancak bu, otoyol koşulları veya şehir içi trafik senaryolarında araçların veya yayaların potansiyel yollarını hesaba katmadığında kazaların kaçınılmaz olduğu anlamına gelir. Bu çalışmada, güvenlik risklerini en aza indirmek amacıyla hızlı ve etkili bir robotik davranışsal tahmin modülü geliştirilmiştir. Otonom araç ile sürüş yapılarak veri toplanmıştır ve geliştirilen modül test edilmiştir. İlgili modül hali hazırdaki çalışılan otonomi projesine entegre edilmiştir. Önerilen metodun üç saniyeye kadar, belirli çevresel obje sayısında, başarılı ve hızlı bir şekilde çalıştığı görülmüştür.
Taşınabilir sensörlerden aktivite ve kişi tanıma
(Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2017) Erdaş, Çağatay Berke; Oğul, Hasan
İnsan fiziksel aktivitelerinin ve ilgili aktiviteyi yapan kişinin uzaktan tespiti, çeşitli alanlarda ihtiyaç duyulan önemli bir konudur. Bu amaçla giyilebilir hareket sensörlerinin kullanımı son yıllarda yaygınlaşmıştır. Bu tezde ivmeölçer, jiroskop ve manyetometre vasıtası ile hareket ve kişi tanıma üzerine çalışılmıştır. Sensörlerden elde edilen veriler üzerinden çıkarılan zaman, frekans ve dalgacık uzayı öznitelikleri ile Random Forest, J48, Adaboost ve Desicion Stump ikilisi, Support Vector Machine ve k-NN gibi öğrenme algoritmaları sınıflandırma amaçlı kullanılmıştır. Buna ek olarak, elde edilen sınıflandırma performansını geliştirmek için; filtreleme, öznitelik seçimi, sensör füzyonu gibi yöntemler denenmiştir. Bahsi geçen yöntemler, hem erişime açık veri kümelerinde hem de bu çalışma kapsamında toplanan el aktivitesi verileri üzerinde denenmiş ve sonuçları raporlanmıştır. Remotely detecting an activity and the person who performs this activity is an important issue that is needed in various fields. For this purpose, the usage of wearable motion sensors has been widespread in recent years. In this thesis, motion and person recognition were studied by means of accelerometer, gyroscope and magnetometer. The time, frequency and wavelet features were extracted from the data obtained from the sensors and learning algorithms such as Random Forest, J48, Adaboost and Desicion Stump, Support Vector Machine and k-NN were used for classification purposes. In addition, in order to improve the classification performance obtained; filtering, feature selection, fusion of sensors have been tried. The methods mentioned have been tried on both the open access data sets and hand activity data collected within the scope of this study, and the results have been reported.