Person:
AKTAŞ, ABDULSAMET

Profile Picture

Email Address

Birth Date

Research Projects

Organizational Units

OrgUnit Logo
Organizational Unit

Job Title

Last Name

AKTAŞ

First Name

ABDULSAMET

Name

Filters

2020 - 20232
Reset filters

Settings

Search Results

Now showing 1 - 2 of 2
  • Thumbnail Image
    PublicationOpen Access
    Sperm morfolojisinin sınıflandırılmasında evrişimsel sinir ağ ve görü dönüştürücü modellerin performans analizi
    (2023-10-24) AKTAŞ, ABDULSAMET; Aktas A., Serbes G., Ilhan H. O.
    Dünya genelinde kısırlık problemi gün geçtikçe daha büyük bir sorun haline gelmektedir ve problemin görülme sıklığının yaklaşık yarısında erkek faktörü etkilidir. Son zamanlarda, sperm kalitesini ölçmek için geliştirilen bilgisayar destekli sperm analiz sistemleri ile birlikte yapay zeka uygulamaları da kullanılmaya başlanmıştır. Özellikle evrişimsel sinir ağları (ESA), sperm hücrelerinin sınıflandırılmasında kullanılan en yaygın yöntemlerden biridir. Son yıllarda popüler hale gelen ve görüntü sınıflandırma problemlerinde kullanılmaya başlanan bir diğer yöntem ise görü dönüştürücü(GD) (vision transformer (ViT)) modelleridir. Önerilen çalışma kapsamında erişime açık olan insan sperm hücre görüntü veri setlerinden HuSHeM, SMIDS ve SCIAN veri setleri üzerinde ESA ve GD mimarilerinin karşılaştırmalı olarak performans analizleri yapılmıştır. Geleneksel 5 farklı ESA mimarisi ve 3 farklı varyantta GD modeli olmak üzere toplam 8 adet model belirtilen veri setlerinin sınıflandırma performansları üzerinden kıyaslanmıştır. 5 kat çapraz doğrulama ve veri artırımı yapılarak modeller eğitilmiş ve elde edilen sonuçlar sunulmuştur. Sonuçlar t-test yöntemi ile kıyaslanarak performans analizi yapılmıştır. Her bir model 3 farklı veri seti üzerinde 7 farklı model ile kıyaslanarak toplam 21 karşılaştırma işlemi yapılmıştır. Yapılan karşılaştırmalar sonucunda ViT-L16 modeli ile 12 Kazanma, 9 Beraberlik ve 0 yenilgi alınmıştır. Kazanma oranları karşılaştırıldığında en yakın modelden yaklaşık %38 daha fazla kazanma oranına sahiptir.
  • Thumbnail Image
    PublicationOpen Access
    Tactile paving surface detection with deep learning methods
    (GAZI UNIV, FAC ENGINEERING ARCHITECTURE, 2020-04-07) AKTAŞ, ABDULSAMET; Aktas, Abdulsamet; Dogan, Buket; Demir, Onder
    Image processing applications in real-time systems have become a popular topic in recent years. Deep learning methods, one of the sub-branches of artificial intelligence, and image processing algorithms used in the field of object detection from images can be used together. In this way, applications are developed in many areas such as autonomous cars, autonomous unmanned aerial vehicles, assist robot technologies, assistant technologies for disabled and elderly individuals. This study aims to detect the tactile paving surfaces with deep learning methods in order to design an assistive technology system that can be used by visually impaired individuals, autonomous vehicles and robots. Contrary to traditional image processing algorithms, deep learning methods and image processing algorithms are used together in this study. The YOLO-V3 model, which is one of the best methods of object detection, is combined with the DenseNet model to create the YOLOV3-Dense model. YOLO-V2, YOLO-V3 and YOLOV3-Dense models were trained on the Marmara Tactile Paving Surface (MDPY) dataset, which was created by the researchers and included 4580 images and their performances were compared with each other on the test dataset. It was observed that YOLOV3-Dense model is better than other models in detecting tactile paving surface with 89% F1-score, 92% mean average Precision(mAP) and 81% IoU values.