One type of brain disease that significantly harms people's lives and health is stroke. The diagnosis and management of strokes both heavily rely on the quantitative analysis of brain Magnetic Resonance (MR) images. The early diagnosis process is of great importance for the prevention of stroke cases. Stroke prediction is made possible by deep neural networks with the capacity for enormous data learning. Therefore, in thus study, several deep neural network models, including DenseNet121, ResNet50, Xception, MobileNet, VGG16, and EfficientNetB2 are proposed for transfer learning to classify MR images into two categories (stroke and non-stroke) in order to study the characteristics of the stroke lesions and achieve full intelligent automatic detection. The study dataset comprises of 1901 training images, 475 validation images, and 250 testing images. On the training and validation sets, data augmentation was used to increase the number of images to improve the models’ learning. The experimental results outperform all the state of arts that were used the same dataset. The overall accuracy of the best model is 98.8% and the same value for precision, recall, and f1-score using the EfficientNetB2 model for transfer learning.
{"title":"Transfer Learning-Based Classification Comparison of Stroke","authors":"Rusul Ali Jabbar Alhatemi̇, Serkan Savaş","doi":"10.53070/bbd.1172807","DOIUrl":"https://doi.org/10.53070/bbd.1172807","url":null,"abstract":"One type of brain disease that significantly harms people's lives and health is stroke. The diagnosis and management of strokes both heavily rely on the quantitative analysis of brain Magnetic Resonance (MR) images. The early diagnosis process is of great importance for the prevention of stroke cases. Stroke prediction is made possible by deep neural networks with the capacity for enormous data learning. Therefore, in thus study, several deep neural network models, including DenseNet121, ResNet50, Xception, MobileNet, VGG16, and EfficientNetB2 are proposed for transfer learning to classify MR images into two categories (stroke and non-stroke) in order to study the characteristics of the stroke lesions and achieve full intelligent automatic detection. The study dataset comprises of 1901 training images, 475 validation images, and 250 testing images. On the training and validation sets, data augmentation was used to increase the number of images to improve the models’ learning. The experimental results outperform all the state of arts that were used the same dataset. The overall accuracy of the best model is 98.8% and the same value for precision, recall, and f1-score using the EfficientNetB2 model for transfer learning.","PeriodicalId":41917,"journal":{"name":"Computer Science-AGH","volume":"1 1","pages":""},"PeriodicalIF":0.5,"publicationDate":"2022-09-16","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"41509934","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Günümüzde insanlar tek başlarına ev ve dış ortamlarda, spor yaparken veya günlük yaşamlarını sürdürürken çeşitli sebeplerden kaza geçirerek zor durumlarda kalabilmektedir. Ayrıca meskûn mahal dışında meydana gelen kayıp aramalarında da kaybolan kişi veya çocuğu bir an evvel bulunması çok önemlidir. Dolayısıyla bu tür acil ulaşılması ve tespit edilmesi gereken kişilere hızla ulaşılmaması durumlarında kalıcı sakatlıklar ve ölümler meydana gelmektedir. Bu çalışmada derin öğrenme yöntemlerinden olan YOLOv4 ve YOLOv4-tiny algoritmaları ile kazaya uğrayan ve kaybolan insanların tespit edilebilmesi için 2 adet yapay zekâ modeli geliştirilmiştir. Geliştirilen modülde kameradan gelen görüntüler yapay zekâ modelinden geçirilerek insanların düşme pozisyonları, ayakta durma ve oturma pozisyonları algılanmakta ve acil durum tespiti yapıldığında alarm durumuna geçilerek ilgili kişilere konum/görüntü bilgileri gönderilmektedir. Geliştirilen yapay zekâ modeline ait acil durum tespit başarım değerleri mAP cinsinden YOLOv4 için %99,04, YOLOv4-tiny ile geliştirilen model için %97,91 olarak elde edilmiştir. Geliştirilen yapay zekâ modülünün ev ortamında kullanımı mümkün olduğu gibi İHA’ larda kullanılabilmesi mümkündür. Bu çalışmada elde edilen prototipin 112 Acil Çağrı Merkezleri tarafından kullanılması ile ev veya dış ortamda meydana gelen acil durumların tespiti ve arama çalışmalarında faydalı olacağı düşünülmektedir.
如今，人们在家里、户外、运动或日常生活中可能会因意外而遭受各种原因的折磨。同样重要的是，在村外的未接电话中失踪的人或儿童也要立即被发现。因此，在快速获取和识别的情况下，会发生永久性伤亡。在这项研究中，已经开发了两个人工智能模型，用深度学习方法中的YOLOv4和YOLOv4算法来识别意外失踪的人。在先进的模式中，摄像头的图像通过人工智能模型传输到人们的着陆位置、站立和坐姿以及紧急状态监视器，向人们传输关于警报状态的位置/图像信息。YOLOv4的已开发人工智能模型的紧急评估值获得了99.04%，来自mAP基因的已开发模型YOLOv4获得了97.91%。Geliştirilen yapay zekâmodülün ev ortamında kullanımımümkün olduğu gibi伊斯坦布尔。本研究中获得的原型被认为可用于使用112个紧急呼叫中心对家庭或外部环境中发生的紧急情况进行测距和搜索。
{"title":"Emergency Detection With Deep Learning Based Image Processing","authors":"Mustafa Göksu, Şafak Göksu, A. Alkan","doi":"10.53070/bbd.1173385","DOIUrl":"https://doi.org/10.53070/bbd.1173385","url":null,"abstract":"Günümüzde insanlar tek başlarına ev ve dış ortamlarda, spor yaparken veya günlük yaşamlarını sürdürürken çeşitli sebeplerden kaza geçirerek zor durumlarda kalabilmektedir. Ayrıca meskûn mahal dışında meydana gelen kayıp aramalarında da kaybolan kişi veya çocuğu bir an evvel bulunması çok önemlidir. Dolayısıyla bu tür acil ulaşılması ve tespit edilmesi gereken kişilere hızla ulaşılmaması durumlarında kalıcı sakatlıklar ve ölümler meydana gelmektedir. Bu çalışmada derin öğrenme yöntemlerinden olan YOLOv4 ve YOLOv4-tiny algoritmaları ile kazaya uğrayan ve kaybolan insanların tespit edilebilmesi için 2 adet yapay zekâ modeli geliştirilmiştir. Geliştirilen modülde kameradan gelen görüntüler yapay zekâ modelinden geçirilerek insanların düşme pozisyonları, ayakta durma ve oturma pozisyonları algılanmakta ve acil durum tespiti yapıldığında alarm durumuna geçilerek ilgili kişilere konum/görüntü bilgileri gönderilmektedir. Geliştirilen yapay zekâ modeline ait acil durum tespit başarım değerleri mAP cinsinden YOLOv4 için %99,04, YOLOv4-tiny ile geliştirilen model için %97,91 olarak elde edilmiştir. Geliştirilen yapay zekâ modülünün ev ortamında kullanımı mümkün olduğu gibi İHA’ larda kullanılabilmesi mümkündür. Bu çalışmada elde edilen prototipin 112 Acil Çağrı Merkezleri tarafından kullanılması ile ev veya dış ortamda meydana gelen acil durumların tespiti ve arama çalışmalarında faydalı olacağı düşünülmektedir.","PeriodicalId":41917,"journal":{"name":"Computer Science-AGH","volume":" ","pages":""},"PeriodicalIF":0.5,"publicationDate":"2022-09-16","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"48970326","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Günümüzde IoT teknolojilerinin kullanımının yaygınlaşması birçok güvenlik sorunlarını da beraberinde getirmiştir. IoT cihazları çeşitli saldırıların hedefi haline gelmiştir. Bu saldırılarda en sık karşılaşılan tür botnet saldırılarıdır. IoT cihazlarda bu saldırıların sürekli çeşitlenerek gelişmesi ve donanımlarının kısıtlı olması sebebiyle geleneksel savunma yöntemlerinin uygulanamaması bu alanda yeni çalışmalara sebep olmuştur. Cihazlara yapılan saldırıların en kısa sürede tespit edilmesi, türlerine göre sınıflandırma yapılması güncel çalışmaların popüler konusu haline gelmiştir. Makine öğrenmesi yöntemleriyle sıfır gün saldırılarını tespit edip sınıflandırmak iyi bir yöntemdir. Yapılan bu çalışmada denetimli makine öğrenme yöntemlerinden Destek Vektör Makineleri (SVM) ile bir model oluşturulmuştur. Literatürde çokça kullanılan ve özellikle hem IoT botnet saldırı kayıtlarını hem de normal kayıt türlerini içeren verisetleri incelenmiştir. Bu veri setlerinden en uygun dört veriseti (Bot-IoT, CICIDS-2017, IoT-23 ve N-BaIoT) modelimiz üzerinde kullanılarak karşılaştırılmıştır. Yapılan değerlendirme sonucunda Bot-IoT veri seti için %99.94, CICIDS-2017 veri seti için %99.95, IoT-23 veri seti için %99.96 ve N-BaIoT veri seti için %99.92 oranında doğruluk değerlerine ulaşılmıştır. Bu sonuçlar değerlendirildiğinde makine öğrenme yöntemleri ile yapılan saldırı tespit ve sınıflandırma işlemlerinde seçmiş olduğumuz veri setlerinin kullanımının uygun olduğu görülmektedir.
{"title":"Comparative Analysis of IoT Botnet Datasets","authors":"Esin Gül Ölmez, Kenan İnce","doi":"10.53070/bbd.1173687","DOIUrl":"https://doi.org/10.53070/bbd.1173687","url":null,"abstract":"Günümüzde IoT teknolojilerinin kullanımının yaygınlaşması birçok güvenlik sorunlarını da beraberinde getirmiştir. IoT cihazları çeşitli saldırıların hedefi haline gelmiştir. Bu saldırılarda en sık karşılaşılan tür botnet saldırılarıdır. IoT cihazlarda bu saldırıların sürekli çeşitlenerek gelişmesi ve donanımlarının kısıtlı olması sebebiyle geleneksel savunma yöntemlerinin uygulanamaması bu alanda yeni çalışmalara sebep olmuştur. Cihazlara yapılan saldırıların en kısa sürede tespit edilmesi, türlerine göre sınıflandırma yapılması güncel çalışmaların popüler konusu haline gelmiştir. Makine öğrenmesi yöntemleriyle sıfır gün saldırılarını tespit edip sınıflandırmak iyi bir yöntemdir. Yapılan bu çalışmada denetimli makine öğrenme yöntemlerinden Destek Vektör Makineleri (SVM) ile bir model oluşturulmuştur. Literatürde çokça kullanılan ve özellikle hem IoT botnet saldırı kayıtlarını hem de normal kayıt türlerini içeren verisetleri incelenmiştir. Bu veri setlerinden en uygun dört veriseti (Bot-IoT, CICIDS-2017, IoT-23 ve N-BaIoT) modelimiz üzerinde kullanılarak karşılaştırılmıştır. Yapılan değerlendirme sonucunda Bot-IoT veri seti için %99.94, CICIDS-2017 veri seti için %99.95, IoT-23 veri seti için %99.96 ve N-BaIoT veri seti için %99.92 oranında doğruluk değerlerine ulaşılmıştır. Bu sonuçlar değerlendirildiğinde makine öğrenme yöntemleri ile yapılan saldırı tespit ve sınıflandırma işlemlerinde seçmiş olduğumuz veri setlerinin kullanımının uygun olduğu görülmektedir.","PeriodicalId":41917,"journal":{"name":"Computer Science-AGH","volume":" ","pages":""},"PeriodicalIF":0.5,"publicationDate":"2022-09-16","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"43402503","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Resimlerde benzerlik (intihal) kontrolü resimlerin her geçen gün bilgi içeriğinin daha fazla artması ve telif haklarının yaygınlaşmasından dolayı önemli bir hale gelmiştir. Hali hazırda yapılan akademik çalışmalarda metin tabanlı benzerlik tespiti yapan yazılımları bulunmakta olup bu çalışmalardaki resimler ile ilgili olarak bir benzerlik tespiti yapılamamaktadır. Akademik çalışmalarda ne kadar fikirler ve metinler alınırken atıf yapılıp kaynakça göstermek gerekir ise resimler (tablolar, sonuçlar, grafikler vb.) alınırken de aynı şekilde atıf yapılıp kaynak gösterilmelidir. Bu çalışmada resimlerde benzerlik tespiti için resim hashleme (image hashing) yöntemi kullanılmıştır. Resimlerde benzerlik tespiti için birçok yöntem ve metot bulunmaktadır. Yapılacak sistem için en uygun yöntemin Algısal Kıyım (Perceptual Hashing) olduğu tespit edilmiştir. Geleneksel görüntü işleme metotlarının bu noktada başarı oranının yüksek olmasının yanında dezavantaj olarak sistem hızına negatif yönde bir etki sunacağı düşünülüp gözlemlendiği için tercih edilmemiştir.
Resimlerde benzerlik（初始）kontrolüresimlerin她的geçen gün bilgiçeriğinin daha fazla artmasıve telif haklarının yaygınlaşmasından dolayıönemli bir hale gelmiştir。在学术工作中，已经可以找到一套类似的基于文本的软件，但在这些作品中没有类似的图像集。学术工作中使用的想法和文本的数量应该以同样的方式构建并显示为图片来源（表格、结果、图形等）。与图像哈希方法结合使用，以创建类似的桌面图像。存在用于同时生成桌面图像的各种方式和方法。最好的方法是发现感知哈希。传统的图像处理方法没有被认为对系统有负面影响，而成功率很高。
{"title":"Image Plagiarism Control System in Academic Articles","authors":"Sabahattin Oluk, Buket Kaya","doi":"10.53070/bbd.1173436","DOIUrl":"https://doi.org/10.53070/bbd.1173436","url":null,"abstract":"Resimlerde benzerlik (intihal) kontrolü resimlerin her geçen gün bilgi içeriğinin daha fazla artması ve telif haklarının yaygınlaşmasından dolayı önemli bir hale gelmiştir. Hali hazırda yapılan akademik çalışmalarda metin tabanlı benzerlik tespiti yapan yazılımları bulunmakta olup bu çalışmalardaki resimler ile ilgili olarak bir benzerlik tespiti yapılamamaktadır. Akademik çalışmalarda ne kadar fikirler ve metinler alınırken atıf yapılıp kaynakça göstermek gerekir ise resimler (tablolar, sonuçlar, grafikler vb.) alınırken de aynı şekilde atıf yapılıp kaynak gösterilmelidir. Bu çalışmada resimlerde benzerlik tespiti için resim hashleme (image hashing) yöntemi kullanılmıştır. Resimlerde benzerlik tespiti için birçok yöntem ve metot bulunmaktadır. Yapılacak sistem için en uygun yöntemin Algısal Kıyım (Perceptual Hashing) olduğu tespit edilmiştir. Geleneksel görüntü işleme metotlarının bu noktada başarı oranının yüksek olmasının yanında dezavantaj olarak sistem hızına negatif yönde bir etki sunacağı düşünülüp gözlemlendiği için tercih edilmemiştir.","PeriodicalId":41917,"journal":{"name":"Computer Science-AGH","volume":" ","pages":""},"PeriodicalIF":0.5,"publicationDate":"2022-09-16","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"45319414","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Semir Sünkün, Berke Ogulcan Parlak, Alper Yildirim, H. Yavasoglu
Otonom araçların (OA'lar) en temel özelliği otonom olmalarıdır. Ancak aracın dinamik çalışma ortamı nedeniyle kontrol algoritmaları kesin olmayan, yaklaşık ve güvenilmez kararlar verebilir. Bu nedenle, özellikle tutarlı engellerden kaçınma algoritmaları olmak üzere daha sağlam sürüş algoritmalarının oluşturulmasına ihtiyaç vardır. Bazen, engellerden kaçınmak için aracın tamamen durması gerekir. Bu durumda aracın motor freni kontrolü devreye alınabilir. Bu çalışmada, reostatik frenleme olarak bilinen elektrikli fren sistemi ile otonom kara taşıtlarını etkin bir şekilde frenlemek için bulanık bir model önerilmiştir. Reostatik fren sistemi (RFS) kullanıldığı için, tasarlanan bu modelleme için bulanık denetleyicinin giriş değerleri araç hızı ve zemin kayganlığı, çıkış değeri ise reostat direnç değeridir. Geliştirilen bulanık denetleyicide Mamdani çıkarımı ve Toplama yöntemleri kullanılmıştır. Bu iki yönteme ek olarak, bulanık denetleyici ayrıca kullanıcıya ağırlık merkezi, açıortay, maksimumun ortalaması, maksimumun en küçüğü ve maksimumun en büyüğü keskinleştirme yöntemlerinin çıktısını verir. Son olarak, Python programlama dilini ve Tkinter kitaplığını kullanarak, grafik kullanıcı arayüzü, kullanıcının girdilerinin dilsel ifadesini ve üyelik derecesini, nihai bulanık çıktı grafiğini ve tüm durulaştırma yöntemlerinden (GUI) kesin çıktıları görüntüler.
自动驾驶汽车是自动驾驶汽车的主要特征。然而，由于工作环境的动态性，控制算法可以做出不确定、接近和可靠的决策。因此，回避算法尤其需要更稳健的驾驶算法来避开障碍物。有时车辆需要完全停车以避开障碍物。在这种情况下，可以切换发动机制动控制。在这项研究中，提出了一种称为再静态制动器的电动制动系统，作为一个开放模型来激活自动黑色运动。由于使用了餐厅制动系统（RFS），该型号控制器的输入值为车速和地面密度，输出值为再稳态电阻。Geliştirilen bulanık denetleyicide Mamdaniçıkarımıve Toplama yöntemleri kullanılmıştır。此外，通过这两种方式，检测监视器还为用户提供了最大化加权中心、曝光量、最大值平均值、最大值和最大值增加的能力。最后，使用Python编程语言和中文库、图形用户界面、用户的语言和成员级别、最后可用的输出图表和所有停止方法（GUI）。
{"title":"Fuzzy Decision Based Modeling of Rheostatic Brake System for Autonomous Land Vehicles","authors":"Semir Sünkün, Berke Ogulcan Parlak, Alper Yildirim, H. Yavasoglu","doi":"10.53070/bbd.1173849","DOIUrl":"https://doi.org/10.53070/bbd.1173849","url":null,"abstract":"Otonom araçların (OA'lar) en temel özelliği otonom olmalarıdır. Ancak aracın dinamik çalışma ortamı nedeniyle kontrol algoritmaları kesin olmayan, yaklaşık ve güvenilmez kararlar verebilir. Bu nedenle, özellikle tutarlı engellerden kaçınma algoritmaları olmak üzere daha sağlam sürüş algoritmalarının oluşturulmasına ihtiyaç vardır. Bazen, engellerden kaçınmak için aracın tamamen durması gerekir. Bu durumda aracın motor freni kontrolü devreye alınabilir. Bu çalışmada, reostatik frenleme olarak bilinen elektrikli fren sistemi ile otonom kara taşıtlarını etkin bir şekilde frenlemek için bulanık bir model önerilmiştir. Reostatik fren sistemi (RFS) kullanıldığı için, tasarlanan bu modelleme için bulanık denetleyicinin giriş değerleri araç hızı ve zemin kayganlığı, çıkış değeri ise reostat direnç değeridir. Geliştirilen bulanık denetleyicide Mamdani çıkarımı ve Toplama yöntemleri kullanılmıştır. Bu iki yönteme ek olarak, bulanık denetleyici ayrıca kullanıcıya ağırlık merkezi, açıortay, maksimumun ortalaması, maksimumun en küçüğü ve maksimumun en büyüğü keskinleştirme yöntemlerinin çıktısını verir. Son olarak, Python programlama dilini ve Tkinter kitaplığını kullanarak, grafik kullanıcı arayüzü, kullanıcının girdilerinin dilsel ifadesini ve üyelik derecesini, nihai bulanık çıktı grafiğini ve tüm durulaştırma yöntemlerinden (GUI) kesin çıktıları görüntüler.","PeriodicalId":41917,"journal":{"name":"Computer Science-AGH","volume":" ","pages":""},"PeriodicalIF":0.5,"publicationDate":"2022-09-16","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"48014899","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Tıbbi görüntülerden beyin tümörünün algılanması araştırmacılar için aktif araştırma alanıdır. Tümör dokusunun çeşitliliği ve tümörün karmaşıklığı süreci zorlu hale getirmektedir. Bu çalışmada üç ayrı beyin tümörü veri kümesi oluşturulmuştur. Oluşturulan veri kümeleri iki boyutludur. Birinci veri kümesi 3 boyutlu görüntülerden 2 boyutlu görüntülere hiçbir değişiklik yapmadan dönüştürülen beyin tümörü veri kümesidir. İkinci veri kümesi birnci veri kümesindeki beyin harici kısımların yok edilmesiyle elde edilmiştir. Üçüncü veri kümesi ise beyin tümörünü daha iyi algılayabilmek için ikinci veri kümesi üzerinde görüntüyü keskinleştirip Gauss Filtresi ekleyerek elde edilmektedir. Buradaki amaç veri kümelerinin eğitim ve test sonuçlarına etkisini gözlemleyebilmektir. Bu çalışmada, beyin tömörü bölütlenirken ve algılanırken yeni Çekişmeli Üretken Ağ önerilmiştir. Önerilen yöntem beyin tümörünü manuel olarak değil otomatik bir şekilde yapabildiği için avantajlıdır. Önerilen yöntem SSimDCL (Supervised Similarity Dual Contrastive Learning) olarak adlandırılmıştır. Önerilen yöntem günümüzde derin öğrenme mimarileri arasında en iyi sonucu veren nnU-Net ile kıyaslanmaktadır. Kıyaslama yapılırken LPIPS ve PSNR yöntemleri tercih edilmiştir. Yapılan deneysel çalışmalar sonucunda önerilen yöntemin veri kümesi iyileştikçe daha iyi sonuçlar verdiği gözlemlenmiştir. nnU-Net yöntemi metriksel olarak daha iyi olmasına rağmen görsel sonuçlar duyusal olarak kıyaslandığında önerilen yöntemin daha iyi olduğu görülmüştür.
从医学图像来看，脑肿瘤是研究人员的一个活跃研究领域。肿瘤组织的复杂性和肿瘤的复杂性是困难的。在这项研究中，创建了三个独立的脑肿瘤数据集。Oluşturulan veri kümeleri iki boyutludur。第一数据集是已经被转换为3D图像中的2D图像而没有任何改变的脑肿瘤数据集。第二个数据集是通过删除第一个数据集的大脑外部而获得的。第三个数据集是在第二个数据集上剪切图像，以更好地了解脑肿瘤，并通过添加高斯滤波器来获得它。这里的目标是监测数据框的教育和测试结果的影响。在这项研究中，当对脑肿瘤进行分割和理解时，提出了创建一种新化合物的网络。建议的方法是手动进行脑瘤切除，而不是自动进行。所提出的方法被称为SSimDCL（监督相似性双重对比学习）。最好的结果来自nnU-Net，它以所提出的方式为当今的深度学习架构师提供了支持。比较首选LPIPS和PSNR方法。Yapılan deneyselçalışmalar sonucundaönerilen yöntemin veri kümesi iyileştikçe daha iyi sonuçlar verdiği gözlemlenmiştir。尽管nnU-Net方法在度量上更好，但相比之下，视觉结果更乐观。
{"title":"Using a New Generative Adversarial Network in Brain Tumor Segmentation and Detection","authors":"Sara Altun Güven, M. F. Talu","doi":"10.53070/bbd.1172664","DOIUrl":"https://doi.org/10.53070/bbd.1172664","url":null,"abstract":"Tıbbi görüntülerden beyin tümörünün algılanması araştırmacılar için aktif araştırma alanıdır. Tümör dokusunun çeşitliliği ve tümörün karmaşıklığı süreci zorlu hale getirmektedir. Bu çalışmada üç ayrı beyin tümörü veri kümesi oluşturulmuştur. Oluşturulan veri kümeleri iki boyutludur. Birinci veri kümesi 3 boyutlu görüntülerden 2 boyutlu görüntülere hiçbir değişiklik yapmadan dönüştürülen beyin tümörü veri kümesidir. İkinci veri kümesi birnci veri kümesindeki beyin harici kısımların yok edilmesiyle elde edilmiştir. Üçüncü veri kümesi ise beyin tümörünü daha iyi algılayabilmek için ikinci veri kümesi üzerinde görüntüyü keskinleştirip Gauss Filtresi ekleyerek elde edilmektedir. Buradaki amaç veri kümelerinin eğitim ve test sonuçlarına etkisini gözlemleyebilmektir. Bu çalışmada, beyin tömörü bölütlenirken ve algılanırken yeni Çekişmeli Üretken Ağ önerilmiştir. Önerilen yöntem beyin tümörünü manuel olarak değil otomatik bir şekilde yapabildiği için avantajlıdır. Önerilen yöntem SSimDCL (Supervised Similarity Dual Contrastive Learning) olarak adlandırılmıştır. Önerilen yöntem günümüzde derin öğrenme mimarileri arasında en iyi sonucu veren nnU-Net ile kıyaslanmaktadır. Kıyaslama yapılırken LPIPS ve PSNR yöntemleri tercih edilmiştir. Yapılan deneysel çalışmalar sonucunda önerilen yöntemin veri kümesi iyileştikçe daha iyi sonuçlar verdiği gözlemlenmiştir. nnU-Net yöntemi metriksel olarak daha iyi olmasına rağmen görsel sonuçlar duyusal olarak kıyaslandığında önerilen yöntemin daha iyi olduğu görülmüştür.","PeriodicalId":41917,"journal":{"name":"Computer Science-AGH","volume":" ","pages":""},"PeriodicalIF":0.5,"publicationDate":"2022-09-16","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"46843358","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Sistem tasarımı ve kriptografik yöntemler için kritik bir öneme sahip olan rassal sayı üretimi; işlem gücü yüksek bilgisayarların ortaya çıkmasıyla güvenlik açısından daha da ön plana çıkmaktadır. Bu problemin çözülmesi için fiziksel bir işleyiş ile rassal sayı üretimini hedefleyen gerçek rassal sayı üreteçleri kullanılabileceği gibi yazılım tabanlı olduğu için uygulanması daha kolay olan sözde rassal sayı üreteçleri (SRSÜ) de kullanılabilmektedir. SRSÜ, genellikle bilinen bir algoritmaya sahip olmaları ve aynı şartlar altında tahmin edilebilen sonuçlar vermeleri sebebiyle gerçek manada rassallık sağlayamamaktadırlar. Nitekim çeşitli rassallık şartlarını sağlamaları, sayı üretim hızı ve maliyet gibi sebeplerden dolayı sıkça tercih edilmektedirler. Bu çalışmada, uygulama kolaylığı ve uygulama ortamı sebebiyle tercih edilen bir SRSÜ algoritmasının Parçacık Sürüsü Optimizasyonu (PSO) kullanılarak değişken sistem şartlarında asgari kaynak tüketimi ile azami rassallığa ulaştırılması amaçlanmıştır. Rassallık, Tekrarlama Sınaması ve Sıfır Hipotezi kullanılarak ölçülmüş ve PSO kullanılarak bir SRSÜ’nün optimize edilmesi yoluyla özellikle alan karmaşıklığı açısından ciddi kazanımlar elde edilebileceği sonucuna ulaşılmıştır.
产生对系统设计和密码方法至关重要的有理数；这种高性能的计算机在安全方面似乎更先进。为了解决这个问题，它也可以用作基于实数的软件制造商，他们旨在生产有理数来解决这些问题。SRSR不太可能具有通常已知的算法，并且可能在相同条件下产生。结果是，他们往往倾向于满足种族主义、生产速度和成本的条件。Buçalışmada，维吾尔族kolaylığıve维吾尔族ortamısebebiyle tercih bir SRSÜalgorithmasının Parçacık SürüSüOptimizasyonu（PSO）kullanılarak değişken系统。种族主义、重复测试和零假设的使用从SRS的复杂性中获得了显著的收益，特别是通过优化PSO的使用。
{"title":"Real-Time Optimization of a Pseudo-Random Number Generator Using Particle Swarm Optimization Method","authors":"Muhammed Saadetdin Kaya, Kenan İnce","doi":"10.53070/bbd.1173694","DOIUrl":"https://doi.org/10.53070/bbd.1173694","url":null,"abstract":"Sistem tasarımı ve kriptografik yöntemler için kritik bir öneme sahip olan rassal sayı üretimi; işlem gücü yüksek bilgisayarların ortaya çıkmasıyla güvenlik açısından daha da ön plana çıkmaktadır. Bu problemin çözülmesi için fiziksel bir işleyiş ile rassal sayı üretimini hedefleyen gerçek rassal sayı üreteçleri kullanılabileceği gibi yazılım tabanlı olduğu için uygulanması daha kolay olan sözde rassal sayı üreteçleri (SRSÜ) de kullanılabilmektedir. SRSÜ, genellikle bilinen bir algoritmaya sahip olmaları ve aynı şartlar altında tahmin edilebilen sonuçlar vermeleri sebebiyle gerçek manada rassallık sağlayamamaktadırlar. Nitekim çeşitli rassallık şartlarını sağlamaları, sayı üretim hızı ve maliyet gibi sebeplerden dolayı sıkça tercih edilmektedirler. Bu çalışmada, uygulama kolaylığı ve uygulama ortamı sebebiyle tercih edilen bir SRSÜ algoritmasının Parçacık Sürüsü Optimizasyonu (PSO) kullanılarak değişken sistem şartlarında asgari kaynak tüketimi ile azami rassallığa ulaştırılması amaçlanmıştır. Rassallık, Tekrarlama Sınaması ve Sıfır Hipotezi kullanılarak ölçülmüş ve PSO kullanılarak bir SRSÜ’nün optimize edilmesi yoluyla özellikle alan karmaşıklığı açısından ciddi kazanımlar elde edilebileceği sonucuna ulaşılmıştır.","PeriodicalId":41917,"journal":{"name":"Computer Science-AGH","volume":" ","pages":""},"PeriodicalIF":0.5,"publicationDate":"2022-09-16","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"41686760","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Öneri sistemleri kullanıcıların geçmişteki tercihlerinden hareketle gelecekteki tercihlerini tahmin eden sistemlerdir. Fakat kullanıcılar her zaman tercihlerini sistemlere belirtmeyebilir. Bu durum, öneri sistemleri tasarlanırken karşılaşılan en büyük sorunlardan biri olan veri seyrekliğine neden olur. Derin öğrenme algoritmalarından otomatik kodlayıcılar, seyrek kullanıcı matrisini verilerden öğrendiği iç görülerden hareketle yeniden doldurarak veri seyrekliği probleminin çözülmesini sağlar. Bu çalışmada derin öğrenme algoritmalarından Temel Otomatik Kodlayıcı, Gürültü Giderici Otomatik Kodlayıcı, Seyrek Otomatik Kodlayıcı ve Varyasyonel Otomatik Kodlayıcı olmak üzere dört farklı otomatik kodlayıcı modeli kullanılarak veri seyrekliğine karşı performansları karşılaştırılmıştır. Veri seti olarak %93,6 oranında seyrek veri içeren MovieLens-100K veri seti kullanılmıştır. Otomatik kodlayıcı modelleri öğe tabanlı öneri sistemlerinde kullanıcı tabanlı öneri sistemlerine göre daha başarılı sonuçlar sağladığı gözlemlenmiştir. Öğe tabanlı öneri sistemlerde Temel Otomatik Kodlayıcı daha iyi performans sağlarken, kullanıcı tabanlı öneri sistemlerinde ise Temel Otomatik Kodlayıcı ve Seyrek Otomatik Kodlayıcı birbirlerine çok yakın bir performans sağladıkları gözlemlenmiştir.
{"title":"A Comparative Study of Autoencoder Approaches to the Data Sparsity Problem in Recommender Systems","authors":"Ecem Bölük, M. Ö. Cingiz","doi":"10.53070/bbd.1173564","DOIUrl":"https://doi.org/10.53070/bbd.1173564","url":null,"abstract":"Öneri sistemleri kullanıcıların geçmişteki tercihlerinden hareketle gelecekteki tercihlerini tahmin eden sistemlerdir. Fakat kullanıcılar her zaman tercihlerini sistemlere belirtmeyebilir. Bu durum, öneri sistemleri tasarlanırken karşılaşılan en büyük sorunlardan biri olan veri seyrekliğine neden olur. Derin öğrenme algoritmalarından otomatik kodlayıcılar, seyrek kullanıcı matrisini verilerden öğrendiği iç görülerden hareketle yeniden doldurarak veri seyrekliği probleminin çözülmesini sağlar. Bu çalışmada derin öğrenme algoritmalarından Temel Otomatik Kodlayıcı, Gürültü Giderici Otomatik Kodlayıcı, Seyrek Otomatik Kodlayıcı ve Varyasyonel Otomatik Kodlayıcı olmak üzere dört farklı otomatik kodlayıcı modeli kullanılarak veri seyrekliğine karşı performansları karşılaştırılmıştır. Veri seti olarak %93,6 oranında seyrek veri içeren MovieLens-100K veri seti kullanılmıştır. Otomatik kodlayıcı modelleri öğe tabanlı öneri sistemlerinde kullanıcı tabanlı öneri sistemlerine göre daha başarılı sonuçlar sağladığı gözlemlenmiştir. Öğe tabanlı öneri sistemlerde Temel Otomatik Kodlayıcı daha iyi performans sağlarken, kullanıcı tabanlı öneri sistemlerinde ise Temel Otomatik Kodlayıcı ve Seyrek Otomatik Kodlayıcı birbirlerine çok yakın bir performans sağladıkları gözlemlenmiştir.","PeriodicalId":41917,"journal":{"name":"Computer Science-AGH","volume":" ","pages":""},"PeriodicalIF":0.5,"publicationDate":"2022-09-16","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"46183976","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Günümüzde siber güvenliğin temel taşlarından olan IPS (Saldırı Önleme Sistemleri) 2017 yılından günümüze kadar geleneksel insan kontrollü savunma stratejisinden sıyrılıp, NGIPS (Yeni Nesil Saldırı Önleme Sistemleri) olarak da bilinen yapay zekâ ve makine öğrenimi entegrasyonlu yeni bir savunma stratejisine dönüşmüştür. Yapay zekaya entegre bu yeni IPS çözümleri yıllar içerisinde farklı algoritmalar ve teknikler ile saldırı önlemede kullanılmıştır. Bu çalışmada yapay zekaya entegre sistemler hakkında bilgi verilmiş ve son beş yıl içerisindeki gelişimi IPS çözümleri genelinde ve Fortinet IPS çözümü özelinde incelenmiştir. IPS çözümlerindeki bu yapay zekâ ile savunma, yine yapay zekâ ile yapılan saldırılar neticesinde doğru orantılı olarak gelişmiştir. IPS çözümlerinde makine öğrenimi üç temel teknikte kullanır. Bunlar, veri toplama, özellik seçimi ve model oluşturmadır. Model oluşturma yöntemi ile sınıflandırılan veriler yapay zekâ algoritmaları ile olumlu ya da olumsuz olarak değerlendirilip müdahale edilir. Geleneksel yöntemler yani yapay zekâ öncesi yöntemler bu algılamalarda yetersiz kalmıştır. Gelişen siber saldırılar ve her geçen gün keşfedilen yeni açıklıkların insan sınırlarının üzerinde olması sebebi ile IPS sistemlerde yapay zekânın var olması ve geliştirilmesi zorunlu hale gelmiştir. Bu çalışmanın IPS’lerde yapay zekâ gelişiminin, siber savunmadaki önemi ile ilgili farkındalık yaratacağı değerlendirilmektedir.
如今，2017年至2017年，基于网络安全基石的IPS已成为人工智能和机器学习的新倡导策略，被称为NGIPS（新的必要攻击预防系统）。多年来，工业智能一直被用来通过不同的算法和技术来防止攻击。在这项研究中，人工智能获得了有关系统的信息，并在过去五年中通过通用IPS解决方案和Fortinet IPS分析进行了调查。IPSçözümlerindeki bu yapay zekâile savenma，yine yapay zekâle yapılan saldırılar neticesinde doğru orantılıolarak gelişmiştir。IPS解决方案中的机器学习使用三种基本技术。这些不会创建数据收集、特性选择和模型。通过人工智能算法以模型的形式对分类数据进行成功或否定的评估。传统的方法，即人工智能，在这些概念上是不够的。发达的网络攻击和每天发现的新解释很难在IPS系统中开发和发展，因为人类边界上有人工智能。在IPS中，据评估，人工智能的发展将关注网络防御的重要性。
{"title":"The Development ff Artıfıcıal Intellıgence in IPS Systems in The Last Five Years","authors":"M. Gencoglu","doi":"10.53070/bbd.1172803","DOIUrl":"https://doi.org/10.53070/bbd.1172803","url":null,"abstract":"Günümüzde siber güvenliğin temel taşlarından olan IPS (Saldırı Önleme Sistemleri) 2017 yılından günümüze kadar geleneksel insan kontrollü savunma stratejisinden sıyrılıp, NGIPS (Yeni Nesil Saldırı Önleme Sistemleri) olarak da bilinen yapay zekâ ve makine öğrenimi entegrasyonlu yeni bir savunma stratejisine dönüşmüştür. Yapay zekaya entegre bu yeni IPS çözümleri yıllar içerisinde farklı algoritmalar ve teknikler ile saldırı önlemede kullanılmıştır. Bu çalışmada yapay zekaya entegre sistemler hakkında bilgi verilmiş ve son beş yıl içerisindeki gelişimi IPS çözümleri genelinde ve Fortinet IPS çözümü özelinde incelenmiştir. IPS çözümlerindeki bu yapay zekâ ile savunma, yine yapay zekâ ile yapılan saldırılar neticesinde doğru orantılı olarak gelişmiştir. IPS çözümlerinde makine öğrenimi üç temel teknikte kullanır. Bunlar, veri toplama, özellik seçimi ve model oluşturmadır. Model oluşturma yöntemi ile sınıflandırılan veriler yapay zekâ algoritmaları ile olumlu ya da olumsuz olarak değerlendirilip müdahale edilir. Geleneksel yöntemler yani yapay zekâ öncesi yöntemler bu algılamalarda yetersiz kalmıştır. Gelişen siber saldırılar ve her geçen gün keşfedilen yeni açıklıkların insan sınırlarının üzerinde olması sebebi ile IPS sistemlerde yapay zekânın var olması ve geliştirilmesi zorunlu hale gelmiştir. \u0000Bu çalışmanın IPS’lerde yapay zekâ gelişiminin, siber savunmadaki önemi ile ilgili farkındalık yaratacağı değerlendirilmektedir.","PeriodicalId":41917,"journal":{"name":"Computer Science-AGH","volume":" ","pages":""},"PeriodicalIF":0.5,"publicationDate":"2022-09-16","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"48110263","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Recently, the researchers working in the field of science and engineering have paid a considerable attention to the concept of the system identification to tackle with complex optimization problems. It is feasible to achieve more accurate models of physical plants with the infinite impulse response (IIR) models compared to their finite counterparts (FIR). To get the most out of the IIR models for the system identification, metaheuristic optimization algorithms can be used as efficient solutions. This work, therefore, aims to demonstrate more promising performance of a new metaheuristic algorithm named slime mould algorithm. In this regard, a comparative assessment is performed using different metaheuristic optimization techniques and different IIR model identification problems are considered. The slime mould algorithm is shown to achieve better accuracy and robustness in terms of IIR model identification with the help of obtained statistical results.
{"title":"Application of Slime Mould Algorithm to Infinite Impulse Response System Identification Problem","authors":"Davut Izci, Serdar Ekinci, Murat Güleydi̇n","doi":"10.53070/bbd.1172833","DOIUrl":"https://doi.org/10.53070/bbd.1172833","url":null,"abstract":"Recently, the researchers working in the field of science and engineering have paid a considerable attention to the concept of the system identification to tackle with complex optimization problems. It is feasible to achieve more accurate models of physical plants with the infinite impulse response (IIR) models compared to their finite counterparts (FIR). To get the most out of the IIR models for the system identification, metaheuristic optimization algorithms can be used as efficient solutions. This work, therefore, aims to demonstrate more promising performance of a new metaheuristic algorithm named slime mould algorithm. In this regard, a comparative assessment is performed using different metaheuristic optimization techniques and different IIR model identification problems are considered. The slime mould algorithm is shown to achieve better accuracy and robustness in terms of IIR model identification with the help of obtained statistical results.","PeriodicalId":41917,"journal":{"name":"Computer Science-AGH","volume":" ","pages":""},"PeriodicalIF":0.5,"publicationDate":"2022-09-16","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"44691418","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
京公网安备 11010802042870号
京ICP备2023020795号-1
扫码关注我们
求助内容：
应助结果提醒方式：