Yüz Örüntülerinden Cinsiyet Tespitinde Hibrit Özniteliklerle Performans Geliştirme
|
|
- Şebnem Candan
- 7 yıl önce
- İzleme sayısı:
Transkript
1 Yüz Örüntülerinden Cinsiyet Tespitinde Hibrit Özniteliklerle Performans Geliştirme Uğur TURHAL 1 Ahmet AKBAŞ 2 1 Uğur TURHAL, 1 Yalova Üniversitesi, Mühendislik Fakültesi, Bilgisayar Mühendisliği Bölümü 2 Ahmet AKBAŞ, 2 Yalova Üniversitesi, Mühendislik Fakültesi, Bilgisayar Mühendisliği Bölümü 1 ugurturhal@balikesir.edu.tr 2 ahmetakbas@yalova.edu.tr Özet Bir örüntüden yüz bölgesinin tespit edilmesi ve bu bölgede bulunan bireyin cinsiyetinin tahmini, özellikle yaş tahmini ile birleştirildiğinde, güvenlik sistemlerinde oldukça önemli bir yer tutmaktadır. Bununla birlikte, firmaların müşterilerini takip ederek, hangi yaş grubunun hangi tür ürünler ile ilgilendiğini tespit etmede ve buna bağlı olarak marka reklam maliyetlerini azaltmada etkili bir yöntem olacağı düşünülmektedir. Bu çalışmada FERET veri setine ait yüz örüntüleri Viola-Jones algoritması kullanılarak tespit edilmiş ve örüntüdeki bireyin cinsiyeti, çeşitli makine öğrenmesi yöntemleri ile tahmin edilmiştir. Cinsiyet tahmini için örüntü tanımada güçlü bir yöntem olan yerel ikili örüntü (Local Binary Pattern - LBP) histogramları ile yönlü gradyanların histogramı (Histogram of Oriented Gradients - HOG) yöntemleri bir arada kullanılarak hibrit bir veri kümesi oluşturulmuştur. Sınıflandırıcı sonuçları çeşitli performans analiz yöntemleri kullanılarak değerlendirilmiş ve sonuç kısmında problemin çözümüne yönelik en iyi yöntem önerilmiştir. 1. Giriş Örüntü tanıma, veriler içerisindeki dokuları tanımlamak için kullanılan makine öğrenmesi sistemlerinin bir dalıdır [1]. Bir örüntüden elde edilen öznitelikler, makine öğrenmesi yöntemleri tarafından kullanılır ve örüntü hakkında sınıflandırıcı modelinin bilgi sahibi olması sağlanır. Bununla birlikte, örüntülerden elde edilen yüksek boyutlu veri kümeleri, sınıflandırıcıların performanslarını etkileyen en önemli unsurlardan biridir [2]. Kullanılacak bir takım yeniden tanımlayıcılar yardımıyla veri kümeleri daha düşük boyutlu alt uzaylara dönüştürülebilir. Burada temel amaç, minimum sınıflandırma maliyeti ve maksimum doğruluk elde etmektir [3]. Kamera sistemlerin gittikçe yaygınlaştığı günümüzde bilgisayarlı görme ve örüntü tanıma konuları oldukça önem kazanmıştır. Dünyaca ünlü otomobil üreticilerinin geliştirmeye çalıştığı sürücüsüz otomobil teknolojisi, bu alanlara verilebilecek en güncel örneklerden biridir. Bununla birlikte hali hazırda var olan yaya tanıma teknolojisine sahip araçlarda, sürücünün görüş açısını inceleyen bir kamera yardımıyla yol izlenir ve uygulanan örüntü tanıma yöntemi ile güzergâh üzerindeki nesnelerin yaya olma ihtimali değerlendirilerek, sürücü temelli olası kazaların önüne geçilmeye çalışılır. Örüntü tanıma sistemlerinde, giriş örüntüsünden elde edilen öznitelikler yardımıyla tanımlanan veriler sınıflandırma işlemine tabi tutulur ve ait oldukları grupların tahmini sağlanır. Böyle bir sistem geliştirilirken kullanılacak öznitelik çıkartma algoritmalarının iyi tayini, sınıflandırma sonucunu doğrudan etkileyen parametrelerden biridir. Yüz örüntülerinden öznitelik elde etme işlemlerinde genellikle iki tür öznitelikten faydalanılır. Bunlar geometrik öznitelikler ve dokusal özniteliklerdir [4]. Geometrik öznitelikler, yüz üzerinde önceden tanımlanmış noktalar arasındaki Öklid uzaklık değerlerinin kullanılmasıyla elde edilir. Daha önceki çalışmalarda bu özniteliklere ait 10 temel oran belirlenmiştir [5]. Bu oranlar yardımıyla bir yüz örüntüsünün sınıflandırılması ve ait olduğu cinsiyet grubunun belirlenmesi mümkündür. Aydınlanmadan meydana gelebilecek değişimlere karşı dayanıklı olan bu öznitelikler, kamera, duruş açısı ve kafa pozisyonu gibi parametrelerden etkilenirler ve tespit edilmeleri güçtür. Dokusal öznitelikler ise örüntünün tamamı ele alınarak elde edilir. Diğer yöntemlere nazaran aydınlanma, poz ve kamera açısı gibi örneğe özgü problemlerden daha az etkilenmeleri, bu özniteliklerin yüz tanıma sistemlerinde verimliliği arttırmasındaki en önemli nedenlerdendir [4]. 2. Materyal ve Metod Bu çalışmada FERET veri setinde bulunan 14,051 yüz örüntüsünden algoritma tarafından seçilen 304 ü erkek bireylere, 196 sı kadın bireylere ait toplamda 500 örüntü kullanılmıştır [6-8]. Kullanılan örüntülerde yüz bölgelerinin tespiti Viola-Jones algoritması tarafından sağlanmıştır. Elde edilen örüntüden Yerel İkili Örüntü (LBP) algoritması ve Yönlü Gradyanların Histogramı algoritmaları ile histogramları çıkartılmıştır. Ardından veri kümesinin boyutu 361
2 İlişki Temelli Öznitelik Seçme (CFS) algoritması kullanılarak küçültülmüştür. Elde edilen yeni veri kümesi k-en Yakın Komşu (knn) ve Naive Bayes sınıflandırıcıları kullanılarak sınıflandırılmış ve sonuçlar tablolar yardımıyla kıyaslanmıştır Viola-Jones Algoritması Viola-Jones algoritması; örüntülerden yüz, göz, burun ve ağız bölgelerini tespit etmek amacıyla 2001 yılında Viola. P ve Jones. M. tarafından ortaya çıkarılmış bir yöntemdir [9]. Kullandığı Haar öznitelikleri ile yüz bölgesi içeren ve içermeyen veriler kullanılarak, önceden eğitilen bir sınıflandırıcı yardımıyla bu bölgelerin tespitini yapar. 1 saniyenin altındaki cevap süresiyle oldukça kullanışlı bir algoritmadır. Bununla birlikte, örüntü üzerinde tespit edilen hatalı alanlar algoritmanın bir dezavantajı olarak görülebilir. Resim 1: Viola-Jones algoritması ile hatalı tespit edilen göz bölgeleri. Ayrıca algoritma, düşey ile 15 dereceden fazla açı yapan bir yüz örüntüsünü tanımada yine başarılı olamamaktadır. Resim 2: Düşeyle sırasıyla 0, 15 ve 30 derece rotasyon açısına sahip yüz örüntülerinde Viola-Jones algoritmasının başarımı. Bu problemlerin önüne geçebilmek için tasarlanan algoritmanın çalışma diyagramı Şekil 1 de verilmiştir. Şekil 1: Yüz tespit algoritması çalışma diyagramı 2.2. Öznitelik Çıkartma Öznitelik; makine öğrenmesi ve örüntü tanımada bir olgu için tespit edilen bireysel ölçülebilir özelliktir [1]. Örüntü tanımada birçok öznitelik çıkartma algoritması kullanılmaktadır. Bu çalışmada, örüntülerden dokusal öznitelikleri çıkartan Yerel İkili Örüntü (LBP) ve Yönlü Gradyanların Histogramı (HOG) algoritmaları kullanılmıştır Yerel İkili Örüntü (LBP) LBP dokusal öznitelik çıkartma algoritması; resmin yerel yapısını özetleyen, gri seviyeden bağımsız bir doku ölçü yöntemidir [10]. Orijinal LBP algoritması merkez ve komşu pikseller arasında sıralı ikilik kod sistemi karşılaştırmalarına dayalı ayrımsama gücü yüksek bir analiz tekniğidir [11]. Her bir resim pikseli, kendisini çevreleyen 33 lük komşu bölgeleriyle arasındaki farkın u() basamak fonksiyonu kullanılarak ikilileştirilmesiyle etiketlenir [12]. Bir örüntüye ait LBP histogramı aşağıdaki eşitlikle elde edilir; P 1 p LBP P, R ( c, yc ) s( g p gc ) 2 (1) p0 1, ( t) 0, t 0 t 0 ise, s (2) ise. Eşitlikte ( c,y c ) merkez pikselin LBP algoritmasına göre değerini, g p merkez pikselin komşularını, g c merkez pikselin gri değerini, R komşuların merkez piksele olan uzaklığını, P ise işleme sokulan komşu sayısını ifade etmektedir [13]. 362
3 Bu çalışmada öznitelik seçme işlemi için İlişki Tabanlı Öznitelik Seçme (Correlation-based Feature Selection CFS) algoritması kullanılmıştır. Resim 3: Giriş örüntüsünden LBP histogramının üretilmesi. Bu çalışmada kullanılan piksel boyutlarındaki yüz örüntüleri LBP algoritması tarafından 2424 piksellik alanlara bölünmüştür Yönlü Gradyanların Histogramı (HOG) HOG yöntemindeki temel amaç imgeyi bir grup lokal histogramlar olarak tanımlamaktır. Bu gruplar, imgenin yerel bir bölgesindeki gradyanların yönelimlerinde, gradyanların büyüklüklerinin toplandığı histogramlardır. Bir imgenin HOG değerlerinin çıkartılması için gerekli olan hesaplamalar aşağıda verilen eşitlikler ile sağlanır [14]: D ve 1 I I * G D 0 1 I * T Dy D (3) ve y I Dy (4) 2 2 (5) I I y I tan 1 I q (6) y Eşitlik 3 te yatay ve dikey Sobel filtreleri tanımlanmıştır. Bu filtreler giriş örüntüsüne uygulanarak, örüntünün yatay ve dikey kenarları I ve I y olmak üzere tespit edilir (Eşitlik 4). Sobel filtresi uygulanan I ve I y örüntüleri kullanılarak, Eşitlik 5 e göre bu örüntülerin gradyanları, ardından Eşitlik 7 ye göre bu gradyanların yönelim açıları ( G ve θ ) hesaplanır. Bu çalışmada kullanılan piksel boyutlarındaki yüz örüntüleri HOG algoritması tarafından bir bütün olarak ele alınmış ve örüntü üzerinde herhangi bir bölümlendirme işlemi yapılmamıştır Öznitelik Seçme Öznitelik seçme yöntemleri; temel ya da bağımsız bileşenlere en az katkı yapan özniteliklerin düşük ayırt edici özelliğe sahip olduğu fikrini esas alarak, daha anlamlı olan özniteliklerin yeni bir sınıflandırma uzayı altında toplanmaları esasına dayanır [5]. Yüksek öznitelik vektörlerine sahip veri setlerinde sınıflandırma süresi ve maliyetlerinin azaltılması, sınıflandırıcı performansının arttırılması ve çok boyutluluk problemininin (curse of dimensionality) önüne geçilmesi adına bu algoritmalar geliştirilmiştir [15] İlişki Tabanlı Öznitelik Seçme (CFS) CFS ilişki bazlı bir filtreleme algoritmasıdır. Özniteliklere ait alt kümeler oluşturup bunların sınıflandırma ile olan ilişkisini inceler. Alt kümeleri oluştururken şu hipoteze göre çalışır: İyi öznitelik alt kümeleri, sınıflandırma ile ilişkisi olmayanlardan ziyade yakından ilişkili olan öznitelikleri barındırır [15]. Bir veri kümesinde CFS algoritması aşağıdaki eşitlik ile uygulanır; r kr zi zc (7) k k( k 1) r Eşitlikte r zc ; Bir araya getirilen bileşenler ile diğer değişkenlerin ilişkisini, k; Bileşen sayısını, r zi ; Bir araya getirilen bileşenler ile diğer değişkenlerin ortalama ilişkisini, r ii ; Bir araya getirilen bileşenler arası ortalama iç ilişkisini temsil etmektedir Sınıflandırma Sonuçları ve Performans Analizi Giriş örüntüleri için LBP algoritması tarafından üretilen 944 öznitelik ile HOG algoritması tarafından üretilen 4356 öznitelik Naïve Bayes ve k-en Yakın Komşu (knn) sınıflandırıcıları kullanılarak, 10-Kat Çapraz Doğrulama (Ten Fold Cross Validation) Birini Dışarıda Bırak (Leave One Out, LOO) yöntemleri ile sınıflandırılmıştır. Ardından aynı veri setleri, öznitelik seçme algoritmasından geçirilmiş ve boyutları küçültülmüştür. Yeni veri setleri kullanılarak sınıflandırma işlemleri tekrar edilmiştir. Son olarak öznitelik seçme algoritması ile boyutları küçültülen bu iki veri setinin birleştirilmesiyle elde edilen yeni veri kümesi ile sınıflandırma işlemleri tekrar edilmiştir. Elde edilen sonuçlar Tablo 1 de gösterilmiştir. Tablo 8: Sınıflandırma sonuçları YÖNTEM - ÖZNİTELİK SAYISI ii SINIFLANDIRICILAR Naïve Bayes Doğr. (%) ROC Süre (sn) k-nn (k=1) Doğr. (%) ROC LBP ~4 Süre (sn) HOG ~ ~15 LBP ~ ~1 HOG ~ (LBP + HOG) ~ ~2 Tablo 1 de bulunan ilk iki satır; ham veri setlerine ait sonuçları, üçüncü ve dördüncü satır; öznitelik seçme algoritması uygulanan veri setlerine ait sonuçları, son satır 363
4 ise; önerilen yönteme ait sonuçları göstermektedir. Tabloda verilen doğruluk değeri, doğru sınıflandırılmış verilerin tüm doğru verilere ait oranını, ROC değeri ise sınıflandırma sonucunun şans ile olan ilişkisini belirtir. Performans analizi yapılırken bu iki kriter birlikte değerlendirilir. Doğruluk değerinin 100 e, ROC değerinin ise 1 e yakınlığı, sınıflandırmanın kalitesini gösterir. Verilen hesaplama süreleri, sınıflandırıcıların; model oluşturma ve 10 kat çapraz doğrulama işlemlerinin tümünü tamamlayıncaya kadar geçen zamandır. Tablo 2 de aynı veri seti kullanılarak farklı yöntemlerle elde edilmiş sonuçlar bulunmaktadır. Tablo 9: Geçmiş çalışmalarda elde edilen sonuçlar Sonuç Çalışma Ref % 88,89 Doğruluk Guo, J.M. et al., [17] % 92,50 Doğruluk Mayo, M. ve Zhang, E. [18] % 93,00 Doğruluk O. Ozbudak et al. [19] % 95,05 Doğruluk Jabid, T.H.K. ve Oksam Chae,.M. [20] 3. Sonuçlar Sonuçlar incelendiğinde en yüksek doğruluk ve ROC değerlerinin knn sınıflandırıcısında, önerilen yöntem ile oluşturulan veri setinden elde edildiği gözlemlenmektedir. Bununla birlikte önerilen yöntemin hesaplama süresindeki başarısı, özellikle gerçek zamanlı bir sistem tasarlanırken, gerek işlem süresi, gerekse sağladığı yüksek doğruluk ve ROC değerleri göz önünde bulundurulduğunda, kullanılabilirliğinin artmasında etkili bir parametredir. Ayrıca knn sınıflandırıcısının Naive Bayes sınıflandırıcısına oranla daha yüksek sonuçlar vermesi, tasarlanan yüz tanıma modelinde, mesafe fonksiyonunun olasılık fonksiyonuna nazaran daha performanslı çalıştığını ortaya koymaktadır. Çalışmada elde edilen değerler Tablo 2 deki veriler ile karşılaştırıldığında, hem doğruluk hem de hesaplama süresi alanlarında algoritmaların oldukça etkin çalıştığı gözlemlenmektedir. Yüz örüntülerinin hazırlanmasında kullanılan normalizasyon tekniği ile öznitelik çıkartma işleminde kullanılan LBP ve HOG algoritmalarının uyumlu çalışması, sonuç değerlerini yükseltmede etkili olmuştur. Bununla birlikte, kullanılan öznitelik seçme algoritmasının veri seti ile uyumu, daha düşük veri uzayında sınıflandırıcıların daha yüksek sonuçlara ulaşmasını sağlamıştır. Bundan sonraki çalışmalarda hibrit sınıflandırıcı yöntemlerinin bir arada kullanılmasıyla oluşturulacak yeni modeller belirlenerek sınıflandırma sonuçlarında kalitenin arttırılması sağlanabilir. Bununla birlikte, en iyi sonuçları üretecek maksimum örnek sayısının belirlenmesi gibi bir optimizasyon problemi konusu üzerinde de durulabilir. 4. Kaynaklar [1] Bishop, C. M. Pattern Recognition and Machine Learning. Springer. pp. vii., [2] Babur S., et al., DVM Tabanlı Kalın Bağırsak Kanseri Tanısı İçin Performans Geliştirme, ELECO, [3] Biricik, G., Diri, B. ve Sönmez, A. C. Abstract feature etraction for tet classification. Turkish Journal of Electrical Engineering and Computer Sciences, , [4] Kılınç, M., Yüz Resimlerinden Yaş Tahmini, Yüksek Lisans Tezi, [5] Chellappa R. ve Ramanathan N., Face Recognition across Age Progression. Proc. Face Recognition Grand Challenge and ICE Workshop, [6] Phillips, P. J., Wechsler, H., Huang J. ve Rauss, P. The FERET database and evaluation procedure for facerecognition algorithms., Image and Vision Computing 16, , [7] Phillips, P. J., Moon, H., Rizvi, S.A. ve Rauss, P. J. The FERET evaluation methodology for facerecognition algorithms, IEEE Transactions on Pattern Analysis and Machine Intelligence, 22, , [8] FERET Color Veri Seti (Versiyon: 1), E.T: [9] Viola P. ve Jones M., Robust real time object detection. In IEEE ICCV Workshop on Statistical and Computational Theories of Vision, [10] Ojala, T., Pietikäinen M. ve Harwood, D., "A Comparative Study of Teture Measures with Classification Based on Feature Distributions," Pattern Recognition, vol. 29, 51-59, [11] Marcel S., Rodriguez Y. ve Heusch G., On the recent use of local binary patterns for face authentication. International Journal on Image and Video Processing Special Issue on Facial Image Processing. IDIAP-RR, 06-34, [12] Ojala, T., Pietikainen M. ve Maenpaa T., "Multiresolution Gray-Scale and Rotation Invariant Teture Classification with Local Binary Patterns," IEEE Trans. Pattern Analysis and Machine Intelligence, 24, , [13] Kimmel, R., Klette, R. ve Sugimoto A., Computer Vision - ACCV 2010, Springer, New Zealand, [14] Kobayashi, T., Hidaka, Akinori. ve Kurita, T., "Selection of Histograms of Oriented Gradients Features for Pedestrian Detection.", ICONIP, 4985, , [15] Bellman, R.E., Dynamic programming. Princeton University Press. ISBN , [16] Hall, M. A. Correlation-based Feature Subset Selection for Machine Learning. Hamilton, New Zealand., [17] Guo, J.M., Lin, C.C., Nguyen, H.S., Face gender classification using improved appearance-based average face difference and support vector machine. International Conference on System Science and Engineering, ,
5 [18] Mayo, M. ve Zhang, E., Improving face gender classification by adding deliberately misaligned faces to the training data. IVCNZ08, 1 5, [19] Ozbudak, O., Tukel, M., Seker, S.: Fast gender classification., Computational intelligence and computing research (ICCIC). IEEE International Conference, 1 5, 2010 [20] Jabid, T.H.K. ve Oksam Chae, M.: Gender classification using local directional pattern (LDP)., 20th International Conference on Pattern Classification (ICPR), ,
Kelebek Görüntülerin Sınıflandırılmasında Yeni Yerel İkili Örüntüler
Kelebek Görüntülerin Sınıflandırılmasında Yeni Yerel İkili Örüntüler Yılmaz KAYA 1, Lokman KAYCİ 2 1 Bilgisayar Mühendisliği Bölümü, Siirt Üniversitesi, 56100 Siirt 2 Biyoloji Bölümü, Siirt Üniversitesi,
DetaylıLOCAL BINARY PATTERN YÖNTEMİ İLE YÜZ İFADELERİNİN TANINMASI
LOCAL BINARY PATTERN YÖNTEMİ İLE YÜZ İFADELERİNİN TANINMASI ŞEKİL TANIMA,2014 YRD. DOÇ. DR. M. ELİF K ARSLIGİL -------------------------------------------------- HAZIRLAYAN: M. AYYÜCE K I ZRAK 13505007
DetaylıYüz Bulma ve Tanıma Sistemi
Yüz Bulma ve Tanıma Sistemi M. AKÇAY 1, Naciye Nur SARIBEY 2 1,2 Dumlupınar Üniversitesi, Bilgisayar Mühendisliği Bölümü, KÜTAHYA Makcay26@dpu.edu.tr, nnursaribey@gmail.com Özet: Günümüzde yüz tanıma sistemlerine
DetaylıBulunması. Corresponding author: vasif@ktu.edu.tr. ikili örüntü (local binary pattern-lbp) histogramlarından faydalanılmaktadır.
Çankaya University Journal of Science and Engineering Volume 8 (2011), No. 1, 27 41 LBP Yardımıyla Görüntüdeki Kişinin Yaşının Bulunması Vasif V. Nabiyev 1, ve Asuman Günay 1 1 Karadeniz Teknik Üniversitesi,
DetaylıYıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü. Bilgisayarla Görme. Proje
Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü Bilgisayarla Görme Proje Renk ve Şekil Temelli Trafik İşareti Tespiti Selçuk BAŞAK 08501008 1. Not: Ödevi hazırlamak için
DetaylıTürkçe Dokümanlar Ġçin Yazar Tanıma
Türkçe Dokümanlar Ġçin Yazar Tanıma Özcan KOLYĠĞĠT, Rıfat AġLIYAN, Korhan GÜNEL Adnan Menderes Üniversitesi, Matematik Bölümü Bölümü, Aydın okolyigit@gmail.com, rasliyan@adu.edu.tr, kgunel@adu.edu.tr Özet:
DetaylıUzaktan Algılama Uygulamaları
Aksaray Üniversitesi Uzaktan Algılama Uygulamaları Doç.Dr. Semih EKERCİN Harita Mühendisliği Bölümü sekercin@aksaray.edu.tr 2010-2011 Bahar Yarıyılı Uzaktan Algılama Uygulamaları GÖRÜNTÜ İŞLEME TEKNİKLERİ
DetaylıMAKİNE ÖĞRENMESİ YARDIMIYLA OPTİK KARAKTER TANIMA SİSTEMİ OPTICAL CHARACTER RECOGNITION SYSTEM VIA MACHINE LEARNING
MAKİNE ÖĞRENMESİ YARDIMIYLA OPTİK KARAKTER TANIMA SİSTEMİ OPTICAL CHARACTER RECOGNITION SYSTEM VIA MACHINE LEARNING Burcu BEKTAŞ Öğr.Gör., burcu.bektas@istanbul.edu.tr, İstanbul Üniversitesi, Teknik Bilimler
DetaylıUzaktan Algılama Teknolojileri
Uzaktan Algılama Teknolojileri Ders 11 Hiperspektral Görüntülerde Kümeleme ve Sınıflandırma Alp Ertürk alp.erturk@kocaeli.edu.tr Sınıflandırma Sınıflandırma işleminin amacı, her piksel vektörüne bir ve
DetaylıYÜZ RESİMLERİNDEN YAŞ BİLGİSİNİN TESPİT EDİLMESİ
i T.C. GEBZE YÜKSEK TEKNOLOJİ ENSTİTÜSÜ MÜHENDİSLİK VE FEN BİLİMLERİ ENSTİTÜSÜ YÜZ RESİMLERİNDEN YAŞ BİLGİSİNİN TESPİT EDİLMESİ Merve KILINÇ YÜKSEK LİSANS TEZİ BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI GEBZE
DetaylıAYTUĞ ONAN CELAL BAYAR ÜNİVERSİTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ SERDAR KORUKOĞLU EGE ÜNİVERSİTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ
Metin Sınıflandırmada Öznitelik Seçim Yöntemlerinin Değerlendirilmesi AYTUĞ ONAN CELAL BAYAR ÜNİVERSİTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ SERDAR KORUKOĞLU EGE ÜNİVERSİTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ
DetaylıBüyük Veri İçin İstatistiksel Öğrenme (Statistical Learning for Big Data)
Büyük Veri İçin İstatistiksel Öğrenme (Statistical Learning for Big Data) M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Bu dersin sunumları, The Elements of Statistical Learning: Data
DetaylıKaraciğerde Oluşan Hastalıkların Tespitinde Makine Öğrenmesi Yöntemlerinin Kullanılması
Karaciğerde Oluşan Hastalıkların Tespitinde Makine Öğrenmesi Yöntemlerinin Kullanılması 1 Emre DANDIL Bilecik Ş. Edebali Üniversitesi emre.dandil@bilecik.edu.tr +90228 214 1613 Sunum İçeriği Özet Giriş
DetaylıElena Battini SÖNMEZ Önder ÖZBEK N. Özge ÖZBEK. 2 Şubat 2007
AVUÇ İZİ VE PARMAK İZİNE DAYALI BİR BİYOMETRİK TANIMA SİSTEMİ Elena Battini SÖNMEZ Önder ÖZBEK N. Özge ÖZBEK İstanbul Bilgi Üniversitesi Bilgisayar Bilimleri 2 Şubat 2007 Biyometrik Biyometrik, kişileri
DetaylıDoküman dili tanıma için ikili örüntüler tabanlı yeni bir yaklaşım
Doküman dili tanıma için ikili örüntüler tabanlı yeni bir yaklaşım Yılmaz KAYA 1, Ömer Faruk ERTUĞRUL 2, Ramazan TEKİN 3 1 Siirt Üniversitesi, Bilgisayar Mühendisliği Bölümü 2 Batman Üniversitesi, Elektrik-Elektronik
DetaylıBilgisayarla Görüye Giriş
Bilgisayarla Görüye Giriş Ders 10 Nesne / Yüz Tespiti ve Tanıma Alp Ertürk alp.erturk@kocaeli.edu.tr Nesne Tespiti Belirli bir nesnenin sahne içindeki konumunun tespitidir Tespit edilecek nesne önceden
DetaylıÖrüntü Tanıma (EE 448) Ders Detayları
Örüntü Tanıma (EE 448) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Saati Uygulama Saati Laboratuar Saati Kredi AKTS Örüntü Tanıma EE 448 Bahar 3 0 0 3 5 Ön Koşul Ders(ler)i Dersin Dili Dersin Türü Dersin
DetaylıVERİ MADENCİLİĞİ (Kümeleme) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Kümeleme) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr İçerik Kümeleme İşlemleri Kümeleme Tanımı Kümeleme Uygulamaları Kümeleme Yöntemleri Kümeleme (Clustering) Kümeleme birbirine
DetaylıPROJEM İSTANBUL ARAŞTIRMA PROJESİ BİLGİSAYARLI GÖRÜ VE SINIFLANDIRMA TEKNİKLERİYLE ARAZİ KULLANIMININ OTOMATİK OLARAK BULUNMASI
PROJEM İSTANBUL ARAŞTIRMA PROJESİ BİLGİSAYARLI GÖRÜ VE SINIFLANDIRMA TEKNİKLERİYLE ARAZİ KULLANIMININ OTOMATİK OLARAK BULUNMASI Proje Yüklenicisi: Yeditepe Üniversitesi Mühendislik ve Mimarlık Fakültesi
Detaylı2.1 Gri Düzey Eş Oluşum Matrisi ( GLCM) Gri düzey eş oluşum matrisi Haralick tarafından öne sürülmüştür [1]. Đstatistiksel doku analizi yöntemidir.
ÇELĐK YÜZEYLERĐN SINIFLANDIRILMASI * Cem ÜNSALAN ** Aytül ERÇĐL * Ayşın ERTÜZÜN *Boğaziçi Üniversitesi, Elektrik-Elektronik Mühendisliği Bölümü unsalan@boun.edu.tr **Boğaziçi Üniversitesi, Endüstri Mühendisliği
DetaylıK En Yakın Komşu Methodu (KNearest Neighborhood)
K En Yakın Komşu Methodu (KNearest Neighborhood) K-NN algoritması, Thomas. M. Cover ve Peter. E. Hart tarafından önerilen, örnek veri noktasının bulunduğu sınıfın ve en yakın komşunun, k değerine göre
Detaylıİleri Örüntü Tanıma Teknikleri Ve Uygulamaları İçerik
Tekrar Konular İleri Örüntü Tanıma Teknikleri Ve Uygulamaları İçerik 1. Uygulamalar ve tanımlamalar 2. Örüntü tanıma sistemleri ve bir örnek 3. Bayes karar teorisi 4. En yakın komşu sınıflandırıcıları
DetaylıVERİ MADENCİLİĞİ (Sınıflandırma Yöntemleri) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr
VERİ MADENCİLİĞİ (Sınıflandırma Yöntemleri) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr Genel İçerik Veri Madenciliğine Giriş Veri Madenciliğinin Adımları Veri Madenciliği Yöntemleri Sınıflandırma
DetaylıBilgisayarla Görüye Giriş
Bilgisayarla Görüye Giriş Ders 6 Kenar, Köşe, Yuvarlak Tespiti Alp Ertürk alp.erturk@kocaeli.edu.tr KENAR TESPİTİ Kenar Tespiti Amaç: Görüntüdeki ani değişimleri / kesintileri algılamak Şekil bilgisi elde
DetaylıHOG Temelli Bir Yöntem ile Ölçek ve Yönden Bağımsız Gerçek Zamanlı Nesne Tanıma
HOG Temelli Bir Yöntem ile Ölçek ve Yönden Bağımsız Gerçek Zamanlı Nesne Tanıma Murat Peker 1, Halis Altun 2, Fuat Karakaya 3 1,2,3 Elektrik Elektronik Mühendisliği, Niğde Üniversitesi, Niğde 1 e-posta:murat.pkr@gmail.com
DetaylıMakine Öğrenmesi 2. hafta
Makine Öğrenmesi 2. hafta Uzaklığa dayalı gruplandırma K-means kümeleme K-NN sınıflayıcı 1 Uzaklığa dayalı gruplandırma Makine öğrenmesinde amaç birbirine en çok benzeyen veri noktalarını aynı grup içerisinde
Detaylıİki Boyutlu Dalgacık Dönüşümü Kullanarak Ön Cepheden Çekilmiş İnsan Yüzü Resimlerini Tanıma Üzerine Yaklaşımlar
KSÜ Mühendislik Bilimleri Dergisi, 12(1), 2009 6 KSU Journal of Engineering Sciences, 12 (1), 2009 İki Boyutlu Dalgacık Dönüşümü Kullanarak Ön Cepheden Çekilmiş İnsan Yüzü Resimlerini Tanıma Üzerine Yaklaşımlar
DetaylıSahne Geçişlerinin Geometrik Tabanlı olarak Saptanması
Sahne Geçişlerinin Geometrik Tabanlı olarak Saptanması 1 Giriş Binnur Kurt, H. Tahsin Demiral, Muhittin Gökmen İstanbul Teknik Üniversitesi, Bilgisayar Mühendisliği Bölümü, Maslak, 80626 İstanbul {kurt,demiral,gokmen}@cs.itu.edu.tr
DetaylıK-En Yakın Komşu Algoritması Parametrelerinin Sınıflandırma Performansı Üzerine Etkisinin İncelenmesi
K-En Yakın Komşu Algoritması Parametrelerinin Sınıflandırma Performansı Üzerine Etkisinin İncelenmesi Erdal TAŞCI* Aytuğ ONAN** *Ege Üniversitesi Bilgisayar Mühendisliği Bölümü **Celal Bayar Üniversitesi
DetaylıBilgisayarla Görüye Giriş
Bilgisayarla Görüye Giriş Ders 7 SIFT ve Öznitelik Eşleme Alp Ertürk alp.erturk@kocaeli.edu.tr Panorama Oluşturma Görüntü mozaikleme, panorama oluşturma gibi tüm uygulamalar için öncelikle ilgili görüntülerin
DetaylıT.C. ERCİYES ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ EĞİTİM ÖĞRETİM YILI DERS KATALOĞU
T.C. ERCİYES ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ - EĞİTİM ÖĞRETİM YILI DERS KATALOĞU Ders Kodu Bim Kodu Ders Adı Türkçe Ders Adı İngilizce Dersin Dönemi T Snf Açıl.Dönem P
DetaylıWeb Madenciliği (Web Mining)
Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Sınıflandırıcıların Değerlendirilmesi Skorlar Karışıklık matrisi Accuracy Precision Recall
DetaylıLocal Binary Pattern Yöntemi ile Yüz İfadelerinin Tanınması
Local Binary Pattern Yöntemi ile Yüz İfadelerinin Tanınması M. Ayyüce Kızrak_13505007 Şekil Tanıma Proje Raporu, 2014 1. GİRİŞ İnsan varlığından bu yana duygu aktarımı ve iletişim için yüz ifadeleri en
Detaylı127 - Twoing Algoritması ile Sınıflandırma Kalp Hastalığı Uygulaması MEHMET AKİF ERSOY ÜNİVERSİTESİ İLHAN UYSAL MEHMET BİLEN SAMİ ULUKUŞ
127 - Twoing Algoritması ile Sınıflandırma Kalp Hastalığı Uygulaması MEHMET AKİF ERSOY ÜNİVERSİTESİ İLHAN UYSAL MEHMET BİLEN SAMİ ULUKUŞ Veri Madenciliği : Bir sistemin veri madenciliği sistemi olabilmesi
DetaylıBu makalede, rulman üretim hattının son
BİLGİSAYARLI GÖRÜNTÜ YARDIMIYLA RULMAN HATALARININ DENETİMİ Arda MOLLAKÖY 0814046@student.cankaya.edu.tr Sibel ÇİMEN c0814016@student.cankaya.edu.tr Emre YENGEL Mekatronik Mühendisliği e.yengel@cankaya.edu.tr
DetaylıKAHKAHA TANIMA İÇİN RASSAL ORMANLAR
KAHKAHA TANIMA İÇİN RASSAL ORMANLAR Heysem Kaya, A. Mehdi Erçetin, A. Ali Salah, S. Fikret Gürgen Bilgisayar Mühendisliği Bölümü Boğaziçi Üniversitesi / Istanbul Akademik Bilişim'14, Mersin, 05.02.2014
DetaylıZeki Optimizasyon Teknikleri
Zeki Optimizasyon Teknikleri Tabu Arama (Tabu Search) Doç.Dr. M. Ali Akcayol Tabu Arama 1986 yılında Glover tarafından geliştirilmiştir. Lokal minimum u elimine edebilir ve global minimum u bulur. Değerlendirme
DetaylıWeb Madenciliği (Web Mining)
Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Denetimsiz Öğrenmenin Temelleri Kümeleme Uzaklık Fonksiyonları Öklid Uzaklığı Manhattan
DetaylıGörüntü İşlemeye Giriş Introduction to Image Processing. Doç. Dr. Aybars UĞUR
Görüntü İşlemeye Giriş Introduction to Image Processing Doç. Dr. Aybars UĞUR 2013 1 İçerik Görüntü ve Piksel Görüntü Türleri Görüntü İşleme Görüntü İşlemenin Amaçları Görüntü İyileştirme Görüntü Analizi
DetaylıCBS ve Coğrafi Hesaplama
Yıldız Teknik Üniversitesi CBS ve Coğrafi Hesaplama 2. Bölüm Yrd. Doç. Dr. Alper ŞEN Harita Mühendisliği Bölümü Kartografya Anabilim Dalı web: http://www.yarbis.yildiz.edu.tr/alpersen/ E mail: alpersen@yildiz.edu.tr
DetaylıOtonom Bir Robotla Statik Ortamda Nesne Etiketleme ÖZET
Otonom Bir Robotla Statik Ortamda Nesne Etiketleme A. Alper Kaya 1, Yiğiter Yiğit 1 ve M. Fatih Amasyalı 1 1 Yıldız Teknik Üniversitesi, Bilgisayar Mühendisliği Bölümü, 34349 İstanbul, Türkiye ÖZET Bu
DetaylıYinelemeli ve Uyarlanır Ayrıt Saptayıcı Süzgeçleri
Yinelemeli ve Uyarlanır Ayrıt Saptayıcı Süzgeçleri innur Kurt, Muhittin Gökmen İstanbul Teknik Üniversitesi ilgisayar Mühendisliği ölümü Maslak 8066, İstanbul {kurt,gokmen}@cs.itu.edu.tr Özetçe Görüntü
DetaylıSOBEL İŞLECİ KULLANILARAK RENKLİ GÖRÜNTÜLERDE KENAR BULMA. Elif AYBAR. Anadolu Üniversitesi, Porsuk Meslek Yüksekokulu, 26430, Eskişehir/Türkiye
Afyon Kocatepe Üniversitesi 8(1) Afyon Kocatepe University FEN BİLİMLERİ DERGİSİ JOURNAL OF SCIENCE SOBEL İŞLECİ KULLANILARAK RENKLİ GÖRÜNTÜLERDE KENAR BULMA ÖZET Elif AYBAR Anadolu Üniversitesi, Porsuk
DetaylıYZM 3217 YAPAY ZEKA DERS#10: KÜMELEME
YZM 317 YAPAY ZEKA DERS#10: KÜMELEME Sınıflandırma (Classification) Eğiticili (supervised) sınıflandırma: Sınıflandırma: Sınıf sayısı ve bir grup örneğin hangi sınıfa ait olduğunu bilinir Eğiticisiz (unsupervised)
DetaylıHafta 09 -Topluluk Yöntemleri - Boyut Azaltma - Anomali Tespiti
Hafta 09 -Topluluk Yöntemleri - Boyut Azaltma - Anomali Tespiti BGM 565 - Siber Güvenlik için Makine Öğrenme Yöntemleri Bilgi Güvenliği Mühendisliği Yüksek Lisans Programı Dr. Ferhat Özgür Çatak ozgur.catak@tubitak.gov.tr
DetaylıTarımsal İmge Dokularından HOG Algoritması ile Öznitelik Çıkarımı ve Öznitelik Tabanlı Toprak Neminin Tahmini
Tarımsal İmge Dokularından HOG Algoritması ile Öznitelik Çıkarımı ve Öznitelik Tabanlı Toprak Neminin Tahmini The Texture Feature Extraction of Agricultural Field Images by HOG Algorithms and Soil Moisture
DetaylıMOD419 Görüntü İşleme
MOD419 Görüntü İşleme Ders Kitabı: Digital Image Processing by Gonzalez and Woods Puanlama: %30 Lab. %20 Vize %10 Quizes %40 Final %60 devam mecburiyeti Görüntü İşleme ye Giriş Görüntü İşleme Nedir? Özellikle
DetaylıGÖRÜNTÜ İŞLEME - (7.Hafta) KENAR BELİRLEME ALGORİTMALARI
GÖRÜNTÜ İŞLEME - (7.Hafta) KENAR BELİRLEME ALGORİTMALARI Bu konuda bir çok algoritma olmasına rağmen en yaygın kullanılan ve etkili olan Sobel algoritması burada anlatılacaktır. SOBEL FİLTRESİ Görüntüyü
DetaylıVERİ MADENCİLİĞİ (Karar Ağaçları ile Sınıflandırma) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Karar Ağaçları ile Sınıflandırma) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr İçerik Sınıflandırma yöntemleri Karar ağaçları ile sınıflandırma Entropi Kavramı ID3 Algoritması C4.5
DetaylıMEH535 Örüntü Tanıma
MEH535 Örüntü Tanıma 3. Denetimli Öğrenme Doç.Dr. M. Kemal GÜLLÜ Elektronik ve Haberleşme Mühendisliği Bölümü web: http://akademikpersonel.kocaeli.edu.tr/kemalg/ E-posta: kemalg@kocaeli.edu.tr Örneklerden
DetaylıBir Tek Nöron Kullanılarak Resimler Đçerisinde Göz Kısmının Bulunması
KSÜ Fen ve Mühendislik Dergisi, 11(1), 008 59 KSU Journal of Science and Engineering, 11(1), 008 Bir Tek Nöron Kullanılarak Resimler Đçerisinde Göz Kısmının Bulunması Yavuz Selim ĐŞLER, Metin ARTIKLAR
DetaylıDalgacık Dönüşümüne Dayalı Çoklu Model Biyometrik Sistem
Akademik Bilişim 2008 Çanakkale Onsekiz Mart Üniversitesi, Çanakkale, 30 Ocak - 01 Şubat 2008 İstanbul Bilgi Üniversitesi, Bilgisayar Bilimleri Bölümü, İstanbul elena@cs.bilgi.edu.tr, noozbek@cs.bilgi.edu.tr,
DetaylıEğitim seti (training set) sınıflandırma modelinin elde edileceği kayıtları içerir
sınıflandırma: temel kavramlar, karar ağaçları ve model değerlendirme Sınıflandırma : Tanım Eğitim seti (training set) sınıflandırma modelinin elde edileceği kayıtları içerir Eğitim setindeki her kayıt
DetaylıBulanık Mantık Tabanlı Uçak Modeli Tespiti
Bulanık Mantık Tabanlı Uçak Modeli Tespiti Hüseyin Fidan, Vildan Çınarlı, Muhammed Uysal, Kadriye Filiz Balbal, Ali Özdemir 1, Ayşegül Alaybeyoğlu 2 1 Celal Bayar Üniversitesi, Matematik Bölümü, Manisa
DetaylıKİNETİK MODEL PARAMETRELERİNİN BELİRLENMESİNDE KULLANILAN OPTİMİZASYON TEKNİKLERİNİN KIYASLANMASI
KİNETİK MODEL PARAMETRELERİNİN BELİRLENMESİNDE KULLANILAN OPTİMİZASYON TEKNİKLERİNİN KIYASLANMASI Hatice YANIKOĞLU a, Ezgi ÖZKARA a, Mehmet YÜCEER a* İnönü Üniversitesi Mühendislik Fakültesi Kimya Mühendisliği
DetaylıBilgisayarla Görüye Giriş
Bilgisayarla Görüye Giriş Ders 4 İkili Görüntüler, Topoloji ve Morfoloji Alp Ertürk alp.erturk@kocaeli.edu.tr İkili (binary) görüntüler Gri skala veya renkli bir görüntünün eşiklenmesi ile elde edilirler.
DetaylıDOKUZ EYLÜL ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ DEKANLIĞI DERS/MODÜL/BLOK TANITIM FORMU. Dersin Kodu: CME 4410
Dersi Veren Birim: Bilgisayar Mühendisliği Dersin Türkçe Adı: ÖRÜNTÜ TANIMAYA GİRİŞ Dersin Orjinal Adı: INTRODUCTION TO PATTERN RECOGNITION Dersin Düzeyi:(Ön lisans, Lisans, Yüksek Lisans, Doktora) Lisans
DetaylıMEH535 Örüntü Tanıma. 6. Boyut Azaltımı (Dimensionality Reduction)
MEH535 Örüntü anıma 6. Boyut Azaltımı (Dimensionality Reduction) Doç.Dr. M. Kemal GÜLLÜ Elektronik ve Haberleşme Mühendisliği Bölümü web: http://akademikpersonel.kocaeli.edu.tr/kemalg/ E-posta: kemalg@kocaeli.edu.tr
DetaylıAMAÇ Araçlardaki Kamera Sistemleri
SUNU PLANI AMAÇ OPEN CV GÖRÜNTÜ EŞİKLEME KENAR BULMA ŞEKİL BULMA GÖRÜNTÜ GENİŞLETME VE BOZMA GÖRÜNTÜ DOLDURMA AFFİNE DÖNÜŞÜMÜ PERSPEKTİF DÖNÜŞÜM KUŞ BAKIŞI GÖRÜNTÜ DÖNÜŞÜMÜ AMAÇ Araçlardaki Kamera Sistemleri
DetaylıYAPAY AÇIKLIKLI RADAR GÖRÜNTÜLERİNDE YAPAY SİNİR AĞLARI İLE HEDEF TANIMLAMA
HAVACILIK VE UZAY TEKNOLOJİLERİ DERGİSİ TEMMUZ 2004 CİLT 1 SAYI 4 (55-60) YAPAY AÇIKLIKLI RADAR GÖRÜNTÜLERİNDE YAPAY SİNİR AĞLARI İLE HEDEF TANIMLAMA Okyay KAYNAK Boğaziçi Üniversitesi Mühendislik Fakültesi
DetaylıMean Shift Ve Gaussian Filtre İle Gölge Tespiti Shadow Detection With Mean Shift And Gaussian Filter
Mean Shift Ve Gaussian Filtre İle Gölge Tespiti Shadow Detection With Mean Shift And Gaussian Filter Yunus SANTUR 1, Haluk DİLMEN 1, Semiha MAKİNİST 2, M. Fatih TALU 1 1 Bilgisayar Bölümü Mühendislik Fakültesi
DetaylıDOKUZ EYLÜL ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MÜDÜRLÜĞÜ DERS/MODÜL/BLOK TANITIM FORMU. Dersin Orjinal Adı: Pattern Recognition
Dersi Veren Birim: Fen Bilimleri Enstitüsü Dersin Türkçe Adı: Örüntü Tanıma Dersin Orjinal Adı: Pattern Recognition Dersin Düzeyi:(Ön lisans, Lisans, Yüksek Lisans, Doktora) Lisansüstü Dersin Kodu: CSE
DetaylıOtomatik Doküman Sınıflandırma
Otomatik Doküman Sınıflandırma Rumeysa YILMAZ, Rıfat AŞLIYAN, Korhan GÜNEL Adnan Menderes Üniversitesi, Fen Edebiyat Fakültesi Matematik Bölümü, Aydın rumeysa2903@gmailcom, rasliyan@aduedutr, kgunel@aduedutr
DetaylıWeb Madenciliği (Web Mining)
Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Denetimli Öğrenmenin Temelleri Karar Ağaçları Entropi ID3 Algoritması C4.5 Algoritması Twoing
DetaylıDers Adı Kodu Yarıyılı T+U Saati Ulusal Kredisi AKTS
DERS BİLGİLERİ Ders Adı Kodu Yarıyılı T+U Saati Ulusal Kredisi AKTS Sayısal Görüntü İşleme BIL413 7 3+0 3 5 Ön Koşul Dersleri Yok Dersin Dili Dersin Seviyesi Dersin Türü Türkçe Lisans Seçmeli / Yüz Yüze
DetaylıGeliştirilmiş Fisher Ayraç Kriteri Kullanarak Hiperspektral Görüntülerde Sınıflandırma
Geliştirilmiş Fisher Ayraç Kriteri Kullanarak Hiperspektral Görüntülerde Sınıflandırma Mustafa TEKE, Dr. Ufuk SAKARYA TÜBİTAK UZAY IEEE 21. Sinyal İşleme, İletişim ve Uygulamaları Kurultayı (SİU 2013),
DetaylıN. Murat Arar, N. Kaan Bekmezci, Fatma Güney, Hazım K. Ekenel. Antalya, 22/04/2011
N. Murat Arar, N. Kaan Bekmezci, Fatma Güney, Hazım K. Ekenel Antalya, 22/04/2011 IEEE 19. Sinyal İşleme ve İletişim Uygulamaları Kurultayı http://www.cmpe.boun.edu.tr/pilab Giriş İlgili Çalışmalar Yöntem
DetaylıBİLECİK ŞEYH EDEBALİ ÜNİVERSİTESİ AKADEMİK ÖZGEÇMİŞ FORMU
BİLECİK ŞEYH EDEBALİ ÜNİVERSİTESİ AKADEMİK ÖZGEÇMİŞ FORMU KİŞİSEL BİLGİLER Adı Soyadı Tolga YÜKSEL Ünvanı Birimi Doğum Tarihi Yrd. Doç. Dr. Mühendislik Fakültesi/ Elektrik Elektronik Mühendisliği 23.10.1980
DetaylıMEH535 Örüntü Tanıma. Karar Teorisi
MEH535 Örüntü Tanıma 2. Karar Teorisi Doç.Dr. M. Kemal GÜLLÜ Elektronik ve Haberleşme Mühendisliği Bölümü web: http://akademikpersonel.kocaeli.edu.tr/kemalg/ E-posta: kemalg@kocaeli.edu.tr Karar Teorisi
DetaylıBireysel Emeklilik Sisteminde Katılımcı Memnuniyetinin Artırılması. Mert C. Demir, Ph.D. Emeklilik Gözetim Merkezi
Bireysel Emeklilik Sisteminde Katılımcı Memnuniyetinin Artırılması Mert C. Demir, Ph.D. Emeklilik Gözetim Merkezi Anahat Bireysel Emeklilik Sistemi, tanımı Bireysel Emeklilik Sistemi, bugünü Emeklilik
DetaylıTMMOB Harita ve Kadastro Mühendisleri Odası Ulusal Coğrafi Bilgi Sistemleri Kongresi 30 Ekim 02 Kasım 2007, KTÜ, Trabzon
TMMOB Harita ve Kadastro Mühendisleri Odası Ulusal Coğrafi Bilgi Sistemleri Kongresi 30 Ekim 02 Kasım 2007, KTÜ, Trabzon Lazer Tarama Verilerinden Bina Detaylarının Çıkarılması ve CBS İle Entegrasyonu
DetaylıMetin Sınıflandırmada Öznitelik Seçim Yöntemlerinin Değerlendirilmesi
Metin Sınıflandırmada Öznitelik Seçim Yöntemlerinin Değerlendirilmesi Aytuğ Onan 1, Serdar Korukoğlu 2 1 Celal Bayar Üniversitesi, Bilgisayar Mühendisliği Bölümü, Manisa 2 Ege Üniversitesi, Bilgisayar
DetaylıRENK BİLEŞENLERİ YARDIMIYLA HAREKETLİ HEDEFLERİN GERÇEK ZAMANLI TESPİTİ
Journal of Naval Science and Engineering 2009, Vol 5, No2, pp 89-97 RENK BİLEŞENLERİ YARDIMIYLA HAREKETLİ HEDEFLERİN GERÇEK ZAMANLI TESPİTİ Öğr Kd Bnb Mustafa Yağımlı Elektrik/Elektronik Mühendisliği Bölümü,
DetaylıÖZGEÇMİŞ. 1. Adı Soyadı : Olcay Taner Yıldız. 2. Doğum Tarihi : 15.05.1976. 3. Unvanı : Doç. Dr. 4. Öğrenim Durumu :
ÖZGEÇMİŞ 1. Adı Soyadı : Olcay Taner Yıldız 2. Doğum Tarihi : 15.05.1976 3. Unvanı : Doç. Dr. 4. Öğrenim Durumu : Derece Alan Üniversite Yıl Lisans Bilgisayar Mühendisliği Boğaziçi Üniversitesi 1997 Y.
DetaylıANKARA ÜNİVERSİTESİ A ÖĞRENCİ İŞLERİ DAİRE BAŞKANLIĞI
PROGRAM ADI : BİLGİSAYAR MÜHENDİSLİĞİ (İNGİLİZCE) 1.SINIF /1.YARIYIL* 1 COM101 COMPUTER PROGRAMMING I - - 4 2 6 5 9 2 COM113 INTRODUCTION TO COMPUTER SCIENCE - - 3 0 3 3 5 3 PHY0101 PHYSICS I - - 3 0 3
DetaylıTÜRK İŞARET DİLİ TANIMA SİSTEMİ ( TURKISH SIGN LANGUAGE RECOGNITION SYSTEM )
TÜRK İŞARET DİLİ TANIMA SİSTEMİ ( TURKISH SIGN LANGUAGE RECOGNITION SYSTEM ) Şekil 1 İşaret dili tanıma örnek ekran görüntüsü Türk İşaret Dili Tanıma projesi 2005 2006 yılının 2. döneminde Yıldız Teknik
DetaylıKredi Onayı İçin Bir Sınıflandırma Algoritması Önerisi A Classification Algorithm Advice for Credit Approval
Kredi Onayı İçin Bir Sınıflandırma Algoritması Önerisi A Classification Algorithm Advice for Credit Approval İsmail Haberal Bilgisayar Mühendisliği Bölümü Başkent Üniversitesi ihaberal@baskent.edu.tr Umut
DetaylıYüz Tanımaya Dayalı Uygulamalar. (Özet)
4 Yüz Tanımaya Dayalı Uygulamalar (Özet) Günümüzde, teknolojinin gelişmesi ile yüz tanımaya dayalı bir çok yöntem artık uygulama alanı bulabilmekte ve gittikçe de önem kazanmaktadır. Bir çok farklı uygulama
DetaylıYÖNEYLEM ARAŞTIRMASI - III
YÖNEYLEM ARAŞTIRMASI - III Prof. Dr. Cemalettin KUBAT Yrd. Doç. Dr. Özer UYGUN İçerik Bu bölümde eşitsizlik kısıtlarına bağlı bir doğrusal olmayan kısıta sahip problemin belirlenen stasyoner noktaları
DetaylıVeri madenciliği sınıflandırma ve kümeleme teknikleri yardımıyla Wisconsin veriseti üzerinde Göğüs Kanseri Teşhisi. Hazırlayan: Nury Amanmadov
Veri madenciliği sınıflandırma ve kümeleme teknikleri yardımıyla Wisconsin veriseti üzerinde Göğüs Kanseri Teşhisi Hazırlayan: Nury Amanmadov Göğüs Kanseri Nedir? Gögüs Kanseri göğüs hücrelerinde başlayan
DetaylıDoç.Dr. M. Mengüç Öner Işık Üniversitesi Elektrik-Elektronik Mühendisliği Bölümü oner@isikun.edu.tr
Doç.Dr. M. Mengüç Öner Işık Üniversitesi Elektrik-Elektronik Bölümü oner@isikun.edu.tr 1. Adı Soyadı : Mustafa Mengüç ÖNER 2. Doğum Tarihi : 01.02.1977 3. Unvanı : Doçent Dr. 4. Öğrenim Durumu : ÖĞRENİM
DetaylıTek Değişkenli Optimizasyon OPTİMİZASYON. Gradient Tabanlı Yöntemler. Bisection (İkiye Bölme) Yöntemi
OPTİMİZASYON Gerçek hayatta, çok değişkenli optimizasyon problemleri karmaşıktır ve nadir olarak problem tek değişkenli olur. Bununla birlikte, tek değişkenli optimizasyon algoritmaları çok değişkenli
DetaylıGörüntü İşleme. Dijital Görüntü Tanımları. Dijital görüntü ise sayısal değerlerden oluşur.
Görüntü İşleme Görüntü işleme, dijital bir resim haline getirilmiş olan gerçek yaşamdaki görüntülerin bir girdi resim olarak işlenerek, o resmin özelliklerinin ve görüntüsünün değiştirilmesidir. Resimler
DetaylıEĞİTİM-ÖĞRETİM YILI MÜHENDİSLİK FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ (İNGİLİZCE) BÖLÜMÜ DERS PROGRAMINDA YAPILAN DEĞİŞİKLİKLER
BİRİNCİ SINIF GÜZ YARIYILI 2015-2016 EĞİTİM-ÖĞRETİM YILI MÜHENDİSLİK FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ (İNGİLİZCE) BÖLÜMÜ DERS PROGRAMINDA YAPILAN DEĞİŞİKLİKLER DEĞİŞİKLİK FORMU COM101 BİLGİSAYAR PROGRAMLAMA
DetaylıDağıtık Sistemler CS5001
Dağıtık Sistemler CS5001 Th. Letschert Çeviri: Turgay Akbaş TH Mittelhessen Gießen University of Applied Sciences Biçimsel model nedir Biçimsel model matematiksel olarak tanımlanmış olan bir modeldir.
Detaylı2015/2016 Bahar Yarıyılı Bitirme Çalışması Konuları. (Doç.Dr. M. Kemal GÜLLÜ)
2015/2016 Bahar Yarıyılı Bitirme Çalışması Konuları (Doç.Dr. M. Kemal GÜLLÜ) 1. Ses temelli malzeme tanıma Malzemelerin çarpma etkisi ile çıkarttıkları seslerin mikrofon ile bir PC ye alınması ve işaretten
DetaylıMuhammet Baykara Accepted: February 2011. ISSN : 1308-7231 mbaykara@firat.edu.tr 2010 www.newwsa.com Elazig-Turkey
ISSN:1306-3111 e-journal of New World Sciences Academy 2011, Volume: 6, Number: 2, Article Number: 1A0182 ENGINEERING SCIENCES Received: November 2010 Muhammet Baykara Accepted: February 2011 Burhan Ergen
DetaylıEğiticili (supervised) öğrenme: Sınıflandırma (classification) Sınıf sayısı ve bir grup örneğin hangi sınıfa ait olduğu bilinir
Eğiticili (supervised) öğrenme: Sınıflandırma (classification) Sınıf sayısı ve bir grup örneğin hangi sınıfa ait olduğu bilinir Eğiticisiz (unsupervised) öğrenme: Kümeleme (clustering) Hangi nesnenin hangi
DetaylıHarran Üniversitesi Mühendislik Dergisi. Mikro-dizilim Veri Sınıflandırmasında Öznitelik Seçme Algoritmalarının Karşılaştırılması
Harran Üniversitesi Harran Üniversitesi Mühendislik Dergisi Harran University Journal of Engineering HU Muh. Der. 01 (2016) p.1-7 HU J. of Eng. 01 (2016) p.1-7 Mikro-dizilim Veri Sınıflandırmasında Öznitelik
DetaylıParkinson Hastalığının Rotasyon Ormanı Yöntemi ile Teşhisi. Diagnosis of Parkinson's Disease Using Rotation Forest
Parkinson Hastalığının Rotasyon Ormanı Yöntemi ile Teşhisi *1 Ayşegül Sağlam, 2 Ayşe Betül Gezeroğlu, 3 Elif Şeflek ve 4 Murat Gök 1,2,3,4 Bilgisayar Mühendisliği Bölümü, Yalova Üniversitesi, Yalova, Türkiye
DetaylıYıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü. Bilgisayarla Görme. Final
Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü Bilgisayarla Görme Final Harris ve Moravec Köşe Belirleme Metotları Selçuk BAŞAK 08501008 Not: Ödevi hazırlamak için geliştirdiğim
DetaylıTeknik Rapor Seminer Raporu
GebzeYüksek Teknoloji Enstitüsü Bilgisayar Mühendisliği Bölümü Teknik Rapor Seminer Raporu TM # : Başlık : Videolarda İnsan Eylemlerinin Tanınması Anahtar Kelimeler : Yazarlar : Bilgisayarla Görme, İnsan
DetaylıYüz İfadelerinin Tanınması
Yüz İfadelerinin Tanınması Burçin Kurt Vasıf V. Nabiyev Yasemin Bekiroğlu Bilgisayar Mühendisliği Bölümü Karadeniz Teknik Üniversitesi 61080 Trabzon burcinnkurt@gmail.com, vasif@ktu.edu.tr, yaseminbekiroğlu@gmail.com
DetaylıMarket Raflarında Dönüşüm ve Ölçeklendirmeye Dayanıklı Nesne Tanıma
Market Raflarında Dönüşüm ve Ölçeklendirmeye Dayanıklı Nesne Tanıma Melih Evren Buruş 1, Rıdvan Salih Kuzu 2,3, Soyhan Beyazıt 1,3, Gül Varol 1,3 1 Boğaziçi Üniversitesi, Bilgisayar Mühendisliği Bölümü,
DetaylıEş-Talim Yöntemi ile Metin Sınıflandırma İçin Bir Uygulama
Eş-Talim Yöntemi ile Metin Sınıflandırma İçin Bir Uygulama Katira Soleymanzadeh1, Ufuk Hürriyetoğlu1, Bahar Karaoğlan1, Senem Kumova Metin2, Tarık Kışla3 1 Ege Üniversitesi, Uluslararası Bilgisayar Enstitüsü,
DetaylıTrafik Yoğunluk Harita Görüntülerinin Görüntü İşleme Yöntemleriyle İşlenmesi
Trafik Yoğunluk Harita Görüntülerinin Görüntü İşleme Yöntemleriyle İşlenmesi ISITES 2016 4 TH INTERNATIONAL SYMPOSIUM ON INNOVATIVE TECHNOLOGIES IN ENGINEERING AND SCIENCE Dr. G. Çiğdem Çavdaroğlu ISITES,
DetaylıYALOVA ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ ENERJİ SİSTEMLERİ MÜHENDİSLİĞİ BÖLÜMÜ UYGULAMALI MÜHENDİSLİK MODELLEMESİ
YALOVA ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ ENERJİ SİSTEMLERİ MÜHENDİSLİĞİ BÖLÜMÜ UYGULAMALI MÜHENDİSLİK MODELLEMESİ RAPOR 21.05.2015 Eren SOYLU 100105045 ernsoylu@gmail.com İsa Yavuz Gündoğdu 100105008
DetaylıSÜREKLİ SAKLI MARKOV MODELLERİ İLE METİNDEN BAĞIMSIZ KONUŞMACI TANIMA PARAMETRELERİNİN İNCELENMESİ
Uludağ Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, Cilt 12, Sayı 1, 2007 SÜREKLİ SAKLI MARKOV MODELLERİ İLE METİNDEN BAĞIMSIZ KONUŞMACI TANIMA PARAMETRELERİNİN İNCELENMESİ Cemal HANİLÇİ Figen
DetaylıPARÇACIK SÜRÜ OPTİMİZASYONU BMÜ-579 METASEZGİSEL YÖNTEMLER YRD. DOÇ. DR. İLHAN AYDIN
PARÇACIK SÜRÜ OPTİMİZASYONU BMÜ-579 METASEZGİSEL YÖNTEMLER YRD. DOÇ. DR. İLHAN AYDIN 1995 yılında Dr.Eberhart ve Dr.Kennedy tarafından geliştirilmiş popülasyon temelli sezgisel bir optimizasyon tekniğidir.
Detaylı