Yazar "Varol, Seda" seçeneğine göre listele

Listeleniyor 1 - 2 / 2
  • Küçük Resim Yok
    Öğe
    Görüntü sınıflandırması için evrişimsel sinir ağı-metasezgisel algoritmalar tabanlı yeni bir hibrit yaklaşım geliştirilmesi
    (Malatya Turgut Özal Üniversitesi, 2024) Varol, Seda; Kızıloluk, Üyesi Soner
    Maymun çiçeği virüsü, önceden Afrika'da endemik olan ve çiçek hastalığına benzeyen bir zoonotik hastalıktır. Ancak son zamanlarda, insanlar arasında bulaşma ve Afrika dışındaki salgınlar artmıştır, bu da dikkat çekmektedir. Hastalık genellikle kendi kendine sınırlıdır, ancak %10'a kadar ölümcül olabilir ve ciddi yan etkilere neden olabilir. Bu nedenle, etkili bir tespit, tedavi ve önleme stratejilerinin geliştirilmesi önemlidir. Derin öğrenme, özellikle tıp alanında, çeşitli karmaşık sorunları çözmek için yüksek doğruluk ve hassasiyet gerektiren uygulamalarda yaygın olarak kullanılmaktadır. Görüntü sınıflandırma alanında derin öğrenme tabanlı yaklaşımlar önemli başarılar elde etmiş ve birçok sağlık problemine karar destek mekanizması olarak hizmet etmiştir. Bu çalışmada, Maymun Çiçeği Virüsü (Monkeypox) hastalığına yakalanan insanların vücut görüntüleri ile normal vücut görüntülerini sınıflandırmak için uygun bir veri seti kullanılmıştır. Toplamda 1139 görüntüden oluşan veri seti, 587 Monkeypox ve 552 normal görüntü içermektedir. Derin öğrenme modellerinden Evrişimli Sinir Ağları (ESA), özellik çıkarımı için kullanılmıştır. ESA mimarilerinden önceden eğitilmiş AlexNet, DarkNet19, InceptionNet-v3 ve ResNet18 modelleri tercih edilmiştir. Elde edilen özellikler daha sonra Support Vector Machine (SVM), K-Nearest Neighbors (KNN) ve Decision Tree (DT) gibi farklı sınıflandırıcılarla sınıflandırılmıştır. Daha sonra, Metasezgisel Algoritmaların biri olan Deniz Atı Optimizasyon Algoritması (Sea-horse Optimizer - SHO) kullanılarak sınıflandırıcı yöntemler bir araya getirilerek özellik seçimi yapılmıştır. Bu, sınıflandırma performansını artırmak için olumsuz etkilere neden olabilecek özelliklerin elemine edilmesini ve daha etkili özelliklerin seçilmesini sağlar. Deneysel sonuçlar, ESA modellerinden elde edilen özelliklerin SHO ile özellik seçimi uygulanmasıyla sınıflandırma performansının önemli ölçüde arttığını göstermektedir.
  • Küçük Resim Yok
    Öğe
    Görüntü sınıflandırması için evrişimsel sinir ağı-metasezgisel algoritmalar tabanlı yeni bir hibrit yaklaşım geliştirilmesi
    (Malatya Turgut Özal Üniversitesi, 2024) Varol, Seda; Kızıloluk, Üyesi Soner
    Maymun çiçeği virüsü, önceden Afrika'da endemik olan ve çiçek hastalığına benzeyen bir zoonotik hastalıktır. Ancak son zamanlarda, insanlar arasında bulaşma ve Afrika dışındaki salgınlar artmıştır, bu da dikkat çekmektedir. Hastalık genellikle kendi kendine sınırlıdır, ancak %10'a kadar ölümcül olabilir ve ciddi yan etkilere neden olabilir. Bu nedenle, etkili bir tespit, tedavi ve önleme stratejilerinin geliştirilmesi önemlidir. Derin öğrenme, özellikle tıp alanında, çeşitli karmaşık sorunları çözmek için yüksek doğruluk ve hassasiyet gerektiren uygulamalarda yaygın olarak kullanılmaktadır. Görüntü sınıflandırma alanında derin öğrenme tabanlı yaklaşımlar önemli başarılar elde etmiş ve birçok sağlık problemine karar destek mekanizması olarak hizmet etmiştir. Bu çalışmada, Maymun Çiçeği Virüsü (Monkeypox) hastalığına yakalanan insanların vücut görüntüleri ile normal vücut görüntülerini sınıflandırmak için uygun bir veri seti kullanılmıştır. Toplamda 1139 görüntüden oluşan veri seti, 587 Monkeypox ve 552 normal görüntü içermektedir. Derin öğrenme modellerinden Evrişimli Sinir Ağları (ESA), özellik çıkarımı için kullanılmıştır. ESA mimarilerinden önceden eğitilmiş AlexNet, DarkNet19, InceptionNet-v3 ve ResNet18 modelleri tercih edilmiştir. Elde edilen özellikler daha sonra Support Vector Machine (SVM), K-Nearest Neighbors (KNN) ve Decision Tree (DT) gibi farklı sınıflandırıcılarla sınıflandırılmıştır. Daha sonra, Metasezgisel Algoritmaların biri olan Deniz Atı Optimizasyon Algoritması (Sea-horse Optimizer - SHO) kullanılarak sınıflandırıcı yöntemler bir araya getirilerek özellik seçimi yapılmıştır. Bu, sınıflandırma performansını artırmak için olumsuz etkilere neden olabilecek özelliklerin elemine edilmesini ve daha etkili özelliklerin seçilmesini sağlar. Deneysel sonuçlar, ESA modellerinden elde edilen özelliklerin SHO ile özellik seçimi uygulanmasıyla sınıflandırma performansının önemli ölçüde arttığını göstermektedir.