Yazar "Aksu, Serkan" seçeneğine göre listele

Listeleniyor 1 - 3 / 3
  • Küçük Resim Yok
    Öğe
    Bulut bilişim teknolojisinin bilişim teknolojilerine etkileri ve bir görüntü işleme uygulaması
    (Karabük Üniversitesi, 2013) Aksu, Serkan; Demirel, Hüseyin
    Bu tez kapsamında öncelikle bulut bilişimin temelini oluşturan teknolojiler ve sanallaştırma teknolojisi ile bulut bilişim mimarisi açıklanmıştır. Ayrıca bulut bilişimin avantajlarında ve dezavantajlarından bahsedilerek hangi sektörlerde kullanılabileceği açıklanmaya çalışılmıştır. Tez kapsamında bulut bilişim teknolojisi kullanarak bir görüntü işleme uygulaması gerçekleştirilmiştir. Bu uygulama ile verilerin ikili sistemde bulut depolarına yüklenmesi ve tekrar işlenmesi işlemleri yapılabilmektedir. Gerçekleştirilen uygulama görüntüler üzerinde piksel seviyesinde işlem yapabilmekte ve elde edilen yeni görüntüler istendiği takdirde kaydedilebilmektedir. Uygulama geliştirilirken PaaS (Servis Olarak Platform) katmanında Google Firması tarafından sağlanan Application Engine, SaaS (Servis Olarak Yazılım) katmanında ise Java dili kullanılmıştır. Geliştirme arabirimi olarak Eclipse IDE?si tercih edilmiştir.
  • Küçük Resim Yok
    Öğe
    Connectogram - A graph-based time dependent representation for sounds
    (Elsevier Sci Ltd, 2022) Turker, Ilker; Aksu, Serkan
    The proposed method contributes the time-series classification literature with a novel time-convexity based representation, which extends the current graph conversion approaches by introducing the time dimension, also introducing a colorful graph-generator approach. The representation capability of connectograms is tested in comparison with mel-spectrograms (mels) and MFCCs for an environmental sound classification task, as input to state-of-art transfer learning models. Results indicate that connectograms cannot compete with the best-performer mel-spectrogram representations in standalone format, however they significantly improve their classification performance in case they are combined as single layers of hybrid RGB representations. A combination of [mels + mels + connectogram] outperforms either sole representations or their combinations by 2-3%, with 96.46% classification accuracy for ResNet50 classifier model.(c) 2022 Elsevier Ltd. All rights reserved.
  • Küçük Resim
    Öğe
    SES SİNYALLERİNİN GRAF TABANLI TEMSİLLERİNİN YAPAY ZEKÂ YÖNTEMLERİ İLE SINIFLANDIRILMASI
    (2022-03) Aksu, Serkan
    Bu çalışmada, ses sinyallerinin zaman boyutundaki komşu genlik seviyeleri arasında bulunan ilişkiye dayalı graf temelli yeni bir temsil yöntemi geliştirilmiştir. Karmaşık ağ biliminin sinyal işleme alanına uyarlandığı bu yaklaşımda zaman boyutundaki genlik seviyeleri ve bunların komşuları arasında bağlantı dikkate alınır. İlk olarak ses sinyalleri, önceden belirlenmiş n-bit seviyesine göre ölçeklenir. Ölçeklenmiş sinyallere 3 farklı değerde uygulanan alt-örnekleme ile 3 farklı bağlantı matrisi (graf) elde edilir. Daha sonra üst üste yerleştirilen bu 3 matrisin sırasıyla RGB katmanlarını temsil ettikleri bir imaj oluşturulmuş olur. Ses sinyallerinin segmentasyonundan elde edilen sinyal parçalarına ayrı ayrı uygulanan bu yöntem sonucunda her bir zaman çerçevesi için ?[2?^n×2^n×3] boyutunda RGB-imajı elde edilmiş olur. Bu RGB kare matrisler daha sonra dikey formatta düzleştirilerek ?[2?^2n×3] büyüklüğünde tek boyutlu RGB dizisine dönüştürülür. Art arda gelen çerçevelerden elde edilen bu dikey diziler yatay eksende birleştirilir ve connectogram adını verdiğimiz ?[2?^2n × segment sayısı ×3] boyutunda bir temsil imajı elde edilmiş olur. Böylece ses sinyalleri zaman-graf eksenli connectogram adını verdiğimiz farklı bir yöntemle temsil edilmiş olur. Sesin connectogram şeklinde temsil edilmesi ile elde edilen bu yeni yöntemin çevresel sesler üzerindeki sınıflandırma başarısı, mel-spektrogram (mels) ve MFCC gibi bilinen yöntemler ile karşılaştırılarak test edilmiştir. Bu test işlemi için temsil matrisleri imaja dönüştürülmüş ardından bu imajlar bilinen en yeni transfer öğrenme modellerine girdi olarak verilmiştir. Elde edilen sonuçlar, connectogram’ların tek başına kullanıldığında mel-spektrogram ile rekabet edecek şekilde en iyi sonucu vermediğini göstermiştir. Fakat, bu matrisler sesin mel-spektrogram temsili ile RGB formatının bir katmanı olacak şekilde [mels + mels + connectogram] şeklinde birleştirildiğinde sınıflandırma başarısında 2% gibi önemli bir artış sağlandığı görülmüştür. Yapılan sınıflandırma denemelerinde en iyi sonucun 5-fold çapraz doğrulama ile ResNet50 modeli üzerinde 95.59 % olarak elde edilmiştir.