Enstitüler / Institutes
Permanent URI for this communityhttps://hdl.handle.net/11727/1390
Browse
3 results
Search Results
Item İnsan hareketlerinin kinect sensör kullanılarak sınıflandırılması(Başkent Üniversitesi Fen Bilimler Enstitüsü, 2022) Açış, Büşra; Güney, SeldaSon yıllarda sağlık ve güvenlik gibi birçok alanda insan hareketlerini sınıflandırmaya yönelik çalışmalar yapılmaktadır. Son yıllarda kullanım alanı daha çok gelişen görüntü işleme ve sınıflandırma algoritmaları bu alanda da kullanılmaya başlanmıştır. Bu sınıflandırma algoritmalarının öncül yöntemleri makine öğrenmesi ve derin öğrenmedir. Bu çalışmada, Kinect sensör kullanılarak elde edilen veri seti üzerinde insan hareketlerinin sınıflandırılması yapılmıştır. Kullanılan veri seti içerisinde gerçek zamanlı insan duruş bilgilerinin ve görüntülerinin bulunduğu literatürde hazır halde bulunan CAD60 veri setidir. Bu veri setinde, farklı insanların farklı hareketlerini/duruşlarını içeren veriler bulunmaktadır. Bu çalışma kapsamında, MATLAB uygulaması kullanılarak derin öğrenme tabanlı ve makine öğrenme tabanlı yöntemlerle insan hareketlerini sınıflandırma yapılmıştır. Ham veri seti üzerinde, geriye doğru öznitelik seçme (BFS) ile elde edilen verilerle ve Uzun Kısa Süreli Bellek (Long Short Term Memory – LSTM) ile öznitelik çıkarma ile elde edilen verilere makine öğrenmesi tabanlı metotlar uygulanarak sınıflandırma çalışmaları yapılmıştır. Bunu yanı sıra LSTM, Evrişimsel Sinir Ağları (Convolutional Neural Network, CNN) ile sıfırdan öğrenme (learn from scratch) ve öğrenme aktarımı (transfer learning) yöntemi ile insan hareketleri sınıflandırılmıştır. Bu altı yöntemin sonunda elde edilen başarı değerleri birbirleri ile kıyaslanmıştır ve maksimum başarı değeri LSTM ile öznitelik çıkarma yönteminde elde edilmiştir. In recent years, studies have been carried out to classify human movements in many areas such as health and safety. Image processing and classification algorithms, which have been used more in recent years, have started to be used in this field as well. The predecessor methods of these classification algorithms are machine learning and deep learning. In this study, the classification of human movements was made on the data set obtained using the Kinect sensor. It is the CAD60 dataset, which is available in the literature, which contains real-time human posture information and images in the data set used. In this dataset, there are data containing different movements/stances of different people. Within the scope of this study, human movements were classified using deep learning-based and machine learning-based methods using MATLAB application. Classification studies were carried out by applying machine learning-based methods to the data obtained by backward feature selection (BFS) and feature extraction with Long Short Term Memory (LSTM) on the raw data set. In addition, human movements are classified with LSTM, Convolutional Neural Networks (CNN), learn from scratch and transfer learning method. The success values obtained at the end of these six methods were compared with each other and the maximum success value was obtained in the feature extraction method with LSTM.Item Beyaz kan hücrelerinin evrişimli sinir ağları ile sınıflandırılması ve bölütlenmesi(Başkent Üniversitesi Fen Bilimler Enstitüsü, 2022) Özcan, Şeyma Nur; Uyar, TanselSon yıllarda beyaz kan hücrelerinin kan yayma görüntülerinden derin öğrenme yöntemleri kullanılarak tespiti, sınıflandırılması ve bölütlenmesi oldukça yaygınlaşmıştır. Beyaz kan hücrelerinin sınıflandırılması ve bölütlemesi lösemi, anemi ve çeşitli enfeksiyonlar gibi hastalıkların teşhisinde önemli rol oynamaktadır. Son yıllarda kan yayma görüntülerinin mikroskop altında incelenmesi gibi manuel yöntemlerin ve geleneksel algoritmaların yetersizliği sebebiyle işlem gücünün de artmasıyla bu tür problemlerin çözümünde derin öğrenme yaklaşımları sıklıkla kullanılmaya başlanmıştır. Sunulan tez çalışmasında beyaz kan hücrelerinin sınıflandırılması ve bölütlenmesi için iki ayrı yapay sinir ağı modeli oluşturulmuştur. Sınıflandırmada beyaz kan hücreleri bazofil, nötrofil, eozinofil, monosit ve lenfosit olmak üzere 5 sınıfa ayrılmıştır. Bölütlemede ise bazofil hariç 4 sınıfa (nötrofil, eozinofil, lenfosit ve monosit) ayrılmıştır. Bazofil hücre tipi, çekirdek ve sitoplazmasının neredeyse aynı büyüklükte olması nedeniyle bölütlemede kullanılmamıştır. Beyaz kan hücrelerinin bölütlemesi için semantik bölütleme yöntemi kullanılmıştır. Bölütleme için arka plan, çekirdek ve sitoplazma olmak üzere üç piksel sınıf etiketi belirlenmiştir. Yapılan çalışmaların performansını değerlendirmek için çeşitli performans değerlendirme metrikleri kullanılmıştır. Sınıflandırma için doğruluk, kesinlik, duyarlılık ve F1 Skoru değerleri; bölütleme için doğruluk, BF skoru ve IoU değerleri hesaplanmıştır. Sunulan tez çalışmasında, önerilen yöntemin literatürde yer alan diğer çalışmalarla karşılaştırıldığında sınıflandırmada daha iyi performansa sahip olduğu tespit edilmiştir. Ayrıca önerilen bir diğer yöntem olan bölütleme algoritmasıyla birlikte elde edilen başarılı sonuçlar ile klinik alanda hastalıkların teşhisinde kullanılabilecek bir tanı aracı da gelecek perspektifini oluşturmaktadır. Bu sunulan çalışmada, beyaz kan hücrelerinin hızlı ve doğru şekilde sınıflandırılması ile bölütlenmesi sağlandığı için hastalıkların erken teşhisinde önemli bir rol oynayabileceği çalışmanın önemini arz etmektdir. Ayrıca oluşturulan sistemin eğitilerek büyük mikroskop gçrüntülerinden beyaz kan hücrelerinin olduğu kısımlar tespit edilerek bu hücreleri tanıyabilen bir sistem oluşturmak amaçlanmıştır. In recent years, detection, classification and segmentation of white blood cells from blood smear images using deep learning methods have become quite common. Classification and segmentation of white blood cells plays an important role in the diagnosis of diseases such as leukemia, anemia and various infections. In recent years, due to the inadequacy of manual methods and traditional algorithms such as examining blood smear images under a microscope, deep learning approaches have been frequently used in solving such problems with the increase in processing power. In the presented thesis, two different artificial neural network models were created for the classification and segmentation of white blood cells. In classification, white blood cells are divided into 5 classes: basophil, neutrophil, eosinophil, monocytes and lymphocytes. In segmentation, it is divided into 4 classes (neutrophil, eosinophil, lymphocyte and monocytes) except basophils. The basophil cell type was not used for segmentation because its nucleus and cytoplasm were almost the same size. Semantic segmentation method was used for segmentation of white blood cells. Three pixel class labels were determined for segmentation: background, nucleus, and cytoplasm. Various performance evaluation metrics were used to evaluate the performance of the studies. Accuracy, precision, sensitivity and F1 Score values for classification; For segmentation, accuracy, Boundary F1 (BF) score and Intersection over Union (IoU) values were calculated. In the presented thesis study, it has been determined that the proposed method has better performance in classification when compared to other studies in the literature. In addition, with the successful results obtained with the segmentation algorithm, which is another proposed method, a diagnostic tool that can be used in the diagnosis of diseases in the clinical field creates a future perspective. In this presented study, it is important to study that it can play an important role in the early diagnosis of diseases, as it provides rapid and accurate classification and segmentation of white blood cells. In addition, by training the created system, it is aimed to create a system that can recognize these cells by detecting the parts with white blood cells from large microscope images.Item Türk işaret dilinde kelime tabanlı derin öğrenme uygulaması(Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2020) Erkuş, Mehmet; Güney, Seldaİşaret dili, işitme sorunu olan kişilerin kendilerini ifade etmek için kullandıkları bir görsel iletişim şeklidir. Bu çalışmanın temel amacı, işitme sorunu olan kişilerin yaşamını kolaylaştırmaktır. Bu çalışma kapsamında, üç farklı kişiden alınan 32 sınıf için 3200 adet RGB görüntü kullanılarak bir veri seti elde edilmiştir. Veri kümelerine veri artırma yöntemleri uygulanmış, görüntü sayısı her bir sınıf için 600 adet olacak şekilde toplam 3200’den, 19200’e yükseltilmiştir. İşaretlerin sınıflandırılması için hem problemin çözümüne yönelik 10 katmanlı bir evrişimli derin ağ modeli oluşturulmuş hem de derin öğrenme yöntemlerinden biri olan aktarımlı öğrenme yöntemi kullanılarak hazır modellerden VGG166, Inception ve ResNet derin ağ mimarileri kullanılmıştır. Ayrıca derin öğrenmenin öznitelik çıkarımı tekniğinden faydalanılarak elde edilen öznitelik vektörü ile geleneksel makine öğrenme yöntemlerinden olan Destek Vektör Makineleri (Support Vector Machines, SVM) ve K- En Yakın Komşu(K- Nearest Neighbor, K-NN) yöntemleri ile sınıflandırılmıştır. Elde edilen sonuçlar zaman ve başarım oranlarına göre kıyaslanarak, en başarılı yöntem belirlenmiştir. Bu çalışmada, görsel bir dil olan Türk İşaret Dili (TİD)’ne ait durağan kelimelerin yapılan analizler sonucunda başarılı bulunan derin öğrenme yöntemlerinden biri olan aktarımlı öğrenme kullanılarak gerçek zamanlı yazılı dile çevrilmesi sağlanmıştır. Ayrıca, tasarlanan bu gerçek zamanlı sistem ile TİD durağan kelimelere ait işaretleri tanıma ve tahminini bilgisayar ekranına yazdırmasındaki başarısı değerlendirilmiştir. Sign language is a form of visual communication used by people with hearing problems to express themselves. The main purpose of this study is to make life easier for people with hearing problems. In this study, a data set was obtained using 3200 RGB images for 32 classes taken from three different people. Data development methods were applied to the data sets and the number of images was increased from 3200 to 19200, 600 per class. For the classification of the signs, both a 10-layer convolutional deep network model was created for the solution of the problem, and VGG166, Inception and ResNet deep network architectures, which are one of the deep learning methods, were applied by using transfer learning method. In addition, the signs are classified using the Support Vector Machines (SVM) and K- Nearest Neighbor (KNearest Neighbor, K-NN) methods, which are the traditional machine learning methods, with the feature vector obtained by using the feature extraction technique of deep learning. The most successful method was determined by comparing the obtained results according to time and performance ratios. In this study, stationary words belonging to Turkish Sign Language (TSL), which is a visual language, are translated into real time written language by using transfer learning with one of the deep learning methods, which is successful as a result of the analysis. In addition, with the real-time system designed, its success in recognizing the stationary words of TSL signs and printing its prediction on the computer screen were evaluated.