Projeler
Permanent URI for this communityhttps://hdl.handle.net/20.500.14719/4232
Browse
8 results
Search Results
Research Project İnsan-bilgisayar etkileşimi için konuşma ve yüz ifadelerinden spontan duygu tanıma(2013) Cigdem Eroglu Erdem; BAHÇEŞEHİR ÜNİVERSİTESİResearch Project Türk makam müzüğinin otomatik ezgi analizi(2014) BILGE KARAÇALI; Barış BOZKURT; Nilgün Doğrusöz DİŞİAÇIK; Z. Funda YAZICI; Korkutalp BİLGİN; M. Kemal KARAOSMANOĞLU; BAHÇEŞEHİR ÜNİVERSİTESİ; BAHÇEŞEHİR ÜNİVERSİTESİ; BAHÇEŞEHİR ÜNİVERSİTESİ; BAHÇEŞEHİR ÜNİVERSİTESİ; BAHÇEŞEHİR ÜNİVERSİTESİ; BAHÇEŞEHİR ÜNİVERSİTESİResearch Project FFT ile Frekans Bolgesinde Performans Etkin Açık Anahtarlı Şifreleme(2018) Selcuk Baktir; BAHÇEŞEHİR ÜNİVERSİTESİAçık anahtarlı sifreleme algoritmalarının etkin uygulanabilmesi, bu algoritmaları kullanan bilgi ve haberlesme altyapımızın güvenligi açısından önem tasımaktadır. Haberlesme teknolojilerinin akıllı sayaçlar, kablosuz sensör agları ve akıllı kartlar gibi kısıtlı cihazlarda, kredi kartı ve diger kisisel bilgilerin iletimi için yaygın kullanımı, bu cihazlarla yapılan haberlesme islemlerinin güvenlik ve mahremiyetinin saglanmasını zorunlu kılmaktadır. Kablosuz sensör aglarında iletilen bilginin gizliligi simetrik anahtarlı sifreleme algoritmaları kullanılarak kolaylıkla saglanabilir. Bununla birlikte simetri sifreleme algoritmalarında kullanılan simetrik anahtarların kablosuz sensör dügümlerine güvenli bir sekilde dagıtılması önemli bir problemdir ve bu problemi çözmenin en etkin yolu açık anahtarlı bir sifreleme algoritması kullanmaktır. RSA and eliptik egriyle sifreleme (ECC) algoritmaları bilinen en popüler açık anahtarlı sifreleme algoritmalarıdır. RSA algoritması en az 1024-bit uzunlugunda anahtar kullanımını zorunlu kılar, bu da sifreleme esnasında 1024-bit uzunlugunda sayılarla çok sayıda aritmetik islem yapmayı gerektirir. Aynı güvenlik seviyesi için, ECC sifreleme algoritması sadece 160-bit uzunlugunda anahtarlara ihtiyaç duyar ve 160-bit uzunlugunda sayılarla aritmetik yapmayı gerektirir. Kablosuz sensör dügümleri genellikle pille çalısan veya enerjisini kısıtlı bir sekilde çevreden (titresim, günes enerjisi, vb.) toplayabilen cihazlardır, bu yüzden güç tüketimi bu cihazlarda çalısacak sifreleme algoritması seçiminde önemli bir kriterdir. Aynı sekilde bu kısıtlı cihazların kullanılabilir hafızaları da kısıtlıdır. RSA?e kıyasla ECC hesapsal olarak daha az karmasıktır ve daha az güç tüketimine yol açar, düsük anahtar uzunlugundan dolayı da daha küçük hafızaya gereksinim duyar. Bu yüzden ECC, kablosuz sensör agları için en elverisli açık anahtarlı sifreleme algoritmasıdır. ECC?de sifreleme isleminin performansını belirleyen en önemli islem çarpmadır. Dolayısıyla çarpma isleminin etkin bir sekilde uygulanması son derece önemlidir. Bu proje ile asagıda sıralanan arastırma faaliyetleri yürütülmüs ve ECC?nin mikrodenetleyiciler üzerinde hızlı çalısması saglanmıstır. 1) Kriptografik anahtar uzunlukları için, hızlı Fourier dönüsümü (FFT) tabanlı etkin sonlu alanda çarpma ve çarpımsal tersini alma algoritmalarının gelistirilmesi, 2) Gelistirilecek algoritmalar kullanılarak, ECC açık anahtarlı sifreleme algoritmasının kısıtlı mikrodenetleyicilerde performans etkin gerçeklemelerinin yapılması.Research Project Statik Olarak Eşdeğer Seri Zincir Yöntemi (SESC) ile İnsan Kütle Merkezi Tahmini ve Doğrulaması(2021) BARAN ARAS; ELIE CHEBEL; BURCU TUNÇ ÇAMLIBEL; Tanımlanmamış Kurum; Tanımlanmamış Kurum; BAHÇEŞEHİR ÜNİVERSİTESİAmaç: Tüm vücut kütle merkezinin (KM) yörüngesi, güvenilir bir postural stabilite metriği olarak oldukça faydalı bir metriktir. Bu çalışmanın amacı, ?Statik Olarak Eşdeğer Seri Zincir Yöntemi? (SESC) olarak adlandırılan KM tahmin tekniğinin model karmaşıklığına ve vücut tipine göre doğruluğunu değerlendirmektir. Bu teknik, fiziksel rehabilitasyonun etkilerinin değerlendirilmesini iyileştirebilecek laboratuvar ortamı dışında kişiye özel KM tahmin etme fırsatı sağlamaktadır. Yöntem: Projede VKİ aralığı 18,5-24,9 (fit) olan 12 ve BMI aralığı 35,0-39,9 (obez) olan 14 denek yer aldı. Deneyler sırasında deneklerden eklem açılarını kaydeden bir hareket yakalama cihazı takarken bir dizi hareketle ilgili görevi yerine getirmeleri ve düzlemsel KM konumunu yakalamak için bir kuvvet platformu üzerinde durmaları istendi. Sonuçlar: Kaydedilen veriler ön işleme tabi tutulmuş ve iki veri kümesine bölünmüştür, verilerin %75'ini içeren ilk veri seti SESC modellerini oluşturmak için ve kalan %25'i doğrulukları test etmek için kullanıldı. Her biri farklı sayıda eklem ve farklı serbestlik derecesine sahip dört SESC modeli tasarlandı. Genel sonuçlar, modelin karmaşıklığı ile sonuçların doğruluğu arasında korelasyonun varlığını kanıtlamıştır ve KM tahminlerinin RMSE değerleri 18.9 ± 6.8 mm ila 29.2 ± 11.9 mm arasında değişmektedir. Öte yandan, fit ve obez denekler arasındaki karşılaştırma, tüm SESC modellerin RMSE'leri arasında hiçbir fark göstermemiştir ve bu da, SESC'nin KM tahminleri için antropometrik ölçümlere dayanan diğer tekniklerin aksine vücut farklılıklarının üstesinden gelme yeteneğini kanıtlamaktadır. Ek olarak, Xsens yazılımı ile tahmin edilen KM, 30 ± 11,6 mm ila 52.0 ± 22,8 mm arasında değişen bir RMSE ile önemli ölçüde daha az doğru tahmin sunmuştur.Research Project Az Örnekle Öğrenme Problemleri Için Metrik Öğrenme Tabanlı Yeni Bir Meta-Öğrenme Algoritması(2023) AYLA GÜLCÜ; ZEKİ KUŞ; OSMAN FURKAN KARAKUŞ; İSMAİL TAHA SAMED ÖZKAN; BAHÇEŞEHİR ÜNİVERSİTESİ; Tanımlanmamış Kurum; Tanımlanmamış Kurum; Tanımlanmamış KurumBu projede az örnekle öğrenme problemleri için literatürdeki en popüler meta-öğrenme algoritması olan MAML baz alındığı ve üçlü görevlerin tanımıyla genişletildiği yeni bir yöntem önerilmektedir. MAML'ın optimizasyon süreçlerinin takip edildiği bu yeni yöntemde yapay sinir ağı yapısı üçüz ağlar ile değiştirilmiş ve bu nedenle bu yeni algoritma TripletMAML olarak isimlendirilmiştir. MAML'ın Gradyan İniş kullanımı aynı şekilde TripletMAML ile devam etmektedir ancak bu öğrenme üçüz ağlar sayesinde metrik öğrenme ile desteklenmiştir. Meta-model parametreleri bu şekilde hem metrik-kayıp hem de sınıflandırma kayıp fonksiyonları ile eğitilmiştir. Ancak metrik öğrenmenin kullanılabilmesi için hem 1-örnekli hem de 2-örnekli ayarlar için üçüz görevler oluşturulmuştur. Bu görevlerin oluşturulmasında, meta-öğrenme kavramı, destek kümesi üzerinde geçici eğitilen meta-öğrenicinin sorgu kümesindeki hatasına göre kalıcı olarak güncellenmesi, korunmuştur. Bildiğimiz kadarıyla, TripletMAML az örnekle öğrenme problemleri için önerilen ilk optimizasyon ve aynı zamanda metrik öğrenme tabanlı bir algoritmadır. TripletMAML performansı dört katmanlı çok sığ bir omurga ile dört farklı görüntü sınıflandırma veri kümesi üzerinde test edilmiştir. Her bir veri kümesi için önerilen yöntemin performansı literatürde aynı veri kümesini ve aynı omurga yapısını kullanan meta-öğrenme algoritmaları ile kıyaslanmıştır. Seçilen üç farklı meta-öğrenme algoritmasıyla yapılan kıyaslama sonuçlarına göre TripletMAML diğer metodlardan daha iyi sonuç vermektedir. Hem 1-örnekli hem de 5-örnekli problem ayarı için geçerli bu durum, TripletMAML'ın hiç bir veri artırma tekniği uygulanmadan elde edilen performansını göstermektedir. Yapılan deneyler, TripletMAML'ın sımıflandırma performansının hiper-parametre optimizasyonu ile çok daha artırılabildiğini, hatta literatürde çok daha karmaşık omurga kullanan meta-öğrenme algoritmalarından bile daha iyi performans gösterdiğini ortaya koymuştur. İki veri kümesi üzerinde doğruluk değerinin %7' ye kadar artırılabildiği gösterilmiştir. Bu da verimli bir eğitim sürecinin karmaşık bir mimari kullanımından daha önemli olduğunu doğrulamıştır. TripletMAML yönteminin sadece görüntü sınıflandırma değil görüntü erişim problemleri için de kullanılabileceği görülmüştür. Görsel erişim problemleri için meta-öğrenme algoritmaları ileride çalışılması düşünülen konulardandır.Research Project İnsansız Hava Aracı Videolarında Çoklu Nesne Tespit Ve Takibi(2024) Görkem YILMAZ; BAHRİ MARAŞ; ÖNDER HAMAMCIOĞLU; AYSIN ERTÜZÜN; GÖKSU CEYLAN; NAFIZ ARICA; Özel Kuruluş; Tanımlanmamış Kurum; Tanımlanmamış Kurum; BOĞAZİÇİ ÜNİVERSİTESİ; Tanımlanmamış Kurum; BAHÇEŞEHİR ÜNİVERSİTESİBu projede bilgisayarla görü alanında nesne takip probleminin en önemli uygulama alanlarından birisi olan İnsansız Hava Araçlarından (İHA) alınan hava görüntülerinde yeryüzündeki araçların takibi üzerine çalışmalar yürütülmüştür. İHA görüntülerinde kameranın hareket etmesi, atmosferik şartlar ve bulut, bina gibi doğal engellerden kaynaklı ilave örtüşme nedenleriyle nesne takip probleminin zorluk derecesi yükselmektedir. Ayrıca nesnenin takibinde hem hareketli nesnelerin birbirleriyle etkileşiminden hem de diğer doğal engellerden kaynaklı örtüşme problemi üzerine literatürde yeterli çalışma bulunmamaktadır. Örtüşmenin tespiti ve derecesinin belirlenmesi, takip sırasında nesnelerin modellerinin güncellenmesi açısından önemlidir. Ancak nesnelerdeki görsel değişimin örtüşmeden veya diğer faktörlerden kaynaklı olduğunu anlamak zor bir problemdir. Ayrıca literatürde nesne takibi amaçlı birçok veri kümesi bulunmasına rağmen hava görüntüleri için kapsamlı bir veri tabanı bulunmamaktadır. İHA görüntülerinde nesne takibi problemindeki farklı aşamalarda özgün algoritmalar geliştirmeyi hedefleyen projede, kullanım senaryosu olarak karayollarındaki araçların tespit ve takip edilmesi seçilmiştir. Bu kapsamda İHA görüntüleri toplanması ve video çerçevelerinde araçların etiketlenerek veri kümesi oluşturulması, araç tespiti ve tespite-dayalı-takip için derin öğrenme tabanlı bir model geliştirilmesi ve araç takibinde derin görsel ve hareket özniteliklerin yanında, örtüşme probleminin çözümü için örtüşmenin öğrenilmesi yaklaşımının Parçacık Süzgeciyle birlikte kullanılması önerilmiştir. Projenin ilk aşamasında temin edilen drone ile video görüntüleri toplanmış ve araç etiketlemeleri yapılmıştır. Video görüntüleri 4K çözünürlükte alınmış, etiketlemeler araç sınıfları, araç sınırlı kutuları ve maskelerini içerecek şekilde yapılmıştır. Sanal ortamda araçların İHA bakış açısından elde edilen videolar yaratılarak optik akış, araç bölütleri ve örtüşmelerinin etiketlendiği sentetik İHA veri kümesi oluşturulmuştur. Otomatik olarak optik akış ve örtüşme veri kümesi çıkarabilen özgün bir algoritma geliştirilmiştir. Video görüntülerinde araç tespiti için literatürdeki yaklaşımlar arasından İHA görüntüleri için en uygun olanı farklı veri kümelerinde yapılan deneylerle belirlenmiştir. Tespit-ile-takip probleminde derin öğrenme ve parçacık filtre yaklaşımlarını birlikte kullanarak yeni bir uçtan uca yaklaşım geliştirilmiştir. Derin Evrişimsel Yapay Sinir Ağları (DEYSA) nesne tespitinde ve tespit-ile-takip yaklaşımında ana mimari olarak kullanılmıştır. Nesne takip algoritmasının Yardımcı Parçacık Süzgeci yöntemiyle matematiksel ilişkisi incelenmiş ve her iki yöntem deneysel olarak karşılaştırılmıştır. Örtüşmenin olup olmadığı, örtüşme derecesi ve dereceye bağlı olarak nesne modellerinin güncelleme şekli Örtüşme Karar Mekanizması tarafından hesaplanmıştır. Ayrıca Parçacık Süzgeci yaklaşımıyla nesnelerin hareket parametreleri tahmin edilerek nisbi hareketleri dikkate alınmıştır. Çoklu Araç takibi için literatürdeki algoritmalar incelenmiş proje kapsamında üretilen gerçek dünya veri kümesi üzerinde performans testleri yapılmıştır. Projede literatüre 5 farklı katkı sağlandığı değerlendirilmektedir. 1. Nesne tespit ve takibi için 4K araç sınırlı kutu ve araç maskeleri etiketlenmiş özgün bir İHA görüntü veri tabanı Natural UAV (N-UAV) kazandırılmıştır. 2. Synthetic-UAV (S-UAV) adında, sınırlı kutu, maske, optik akış ve örtüşme veri kümelerine sahip yeni bir sentetik İHA veri kümesi üretilmiştir. 3. Derin öğrenme ile parçacık filtre yaklaşımlarını birlikte kullanan tespit-ile-takip algoritması (PFCNN) geliştirilmiştir. 4. Tespit-ile-takip algoritmasıyla Yardımcı Parçacık Süzgeci yöntemiyle matematiksel ilişkisi incelenmiş ve iki yöntem nesne takibi açısından karşılaştırılmıştır. 5. Nesne takibinde örtüşme karar mekanizması için optik akış, örtüşme ve bölütleme tespiti yapabilen özgün bir DEYSA modeli geliştirilmiştir.Research Project Scoring: Yeni Nesil İletişim Altyapıları Için Akıllı İşbirliği Ve Uygulama(2023) YUNUS SARIKAYA; AHMET OZAN BİÇEN; Ece Gelal Soyak; Ozgur Ercetin; Özel Kuruluş; SABANCI ÜNİVERSİTESİ; BAHÇEŞEHİR ÜNİVERSİTESİ; SABANCI ÜNİVERSİTESİSon yıllarda haberleşme altyapısı, müşterilerin ağ ve katma değerli hizmetler açısından artan taleplerini karşılamak için sürekli olarak gelişmektedir. Metaverse, holografik iletişim ve otonom araçlar gibi ortaya çıkması hedeflenen yeni uygulamalar da mevcut ağ altyapısında önemli iyileştirmeler gerektirmektedir. Bu bağlamda, ağ altyapısının, bilgi işlem ve önbellekleme hizmetleriyle entegre olacak şekilde gelişmesi, programlanabilir ağ elemanları kullanılarak ağ içi bilgi işlem yapma, haberleşmede vericideki bit?lerin birebir alıcıya iletilmesi değil aynı anlamı ya da aynı etkiyi en az bit aktararak alıcıda oluşturma, ve haberleşen bireyler arasındaki teşvik mekanizmaları gibi farklı önemli araştırma alanları ortaya çıkmıştır. Proje kapsamında, yeni ortaya çıkacak uygulamaların düşük gecikme süresi ve ultra yüksek güvenilirlik gereksinimlerini karşılayabilmek ve bunun ölçeklendirilebilir olması için çeşitli yapılar ve mimariler önerilmiştir. Proje çıktıları doktora tez çalışmalarında yer almış ve saygın dergilerde yayınlanmıştır.Research Project Derin Sinir Ağları Katmanlarının Seyrek İkinci Dereceden Konik Programlama İle Budanması(2022) Gozde Unal; Süreyya AKYÜZ; BUSE ÇİSİL GÜLDOĞUŞ; MUHAMMAD AMMAR ALI; DUYGU ÜÇÜNCÜ; İSTANBUL TEKNİK ÜNİVERSİTESİ; BAHÇEŞEHİR ÜNİVERSİTESİ; BAHÇEŞEHİR ÜNİVERSİTESİ; Tanımlanmamış Kurum; Tanımlanmamış KurumMakine Öğreniminde seyrek problemler, hesaplama uyumlulukları ve yüksek tahmin performansları nedeniyle son yıllarda oldukça önem kazanmıştır. Seyrek öğrenme, biyoinformatikte gen ekspresyon profillerinde ana bileşenlerin seçilmesi, finans ve ekonomi gibi problemleri tahmin etmede regresyon tipi uygulamaların bağımsız değişkenlerinin önemli faktörlerinin belirlenmesi, elektronik mühendisliği problemlerinde sinyallerinin önemli faktörlerinin belirlenmesi gibi çeşitli uygulama alanlarında ortaya çıkar. Seyrek öğrenme problemlerinin matematiksel modelleri, dışbükey olmama problemine yol açan sıfır norm veya 1 norm ile ifade edilen kardinalite kısıtlamaları ile ilgilidir. Araştırmacılar bu konunun üstesinden gelmek için dışbükey olmama problemine literatürdeki Konveks Fonksiyonların Farkı, Yarı Kesinli Gevşemeler ve İkinci Dereceli Konik Programlama gibi farklı tekniklerle yaklaşmışlardır. Derin Öğrenme, literatürde ve endüstride, yazılım dünyasında sıklıkla kullanılan ve çoğu mühendislik problemlerinde, yapay zeka uygulamalarında üstün başarı gösteren algoritma olarak karşımıza çıkmaktadır. Bu üstün başarısına karşılık derin ağların mimarisi kapalı kutu olarak bilinmekte ve ağ derinlikleri ve büyüme oranı parametre olarak seçilmektedir. Bu hiper parametrelerin otomatik olarak matematik temelli bir optimizasyon modelle en uygun değerlerinin bulunması yüksek boyutlu verilerin Derin Öğrenme ile sınıflandırılmasında ihtiyaç duyulan bir eksikliktir. Bu projede literatürdeki ihtiyaca karşılık verecek Derin Sinir Ağlarının (DNN) katmanlarını seyrek ikinci dereceden konik programlama ile budayan matematiksel modelin geliştirilmesi amaçlanmıştır. Budama algoritmasının modellenmesinde dikkat edilecek önemli bir unsur rastgele oluşturulacak farklı derinliklerdeki ağların doğruluk performanslarının ve birbirleri arasında çeşitliliğin zengin olmasıdır. Fakat bu iki terim arasında bir ödünleşim mevcuttur, başka bir deyişle, doğruluk yüzdesi çok arttıkça çeşitlilikten ödün verilir. Bu projede geliştirilmiş olan matematiksel model bu ödünleşimin optimum düzeyde tutacak bir budama algoritmasıdır. Elde edilen DNN budama algoritması veri kitlesinden bağımsız olarak genelleştirilmiş bir model olarak çözülmüştür ve farklı alanlardaki veri kümelerinde uygulanarak başarı oranları farklı derinlikte ağ yapıları ile karşılaştırılmıştır. Önerilen bu yöntem veri ön işleme (data pre-processing) basamaklarından biri olan öznitelik seçimi (feature selection) problemine de uyarlanmış ve başarı sonuçları diğer öznitelik seçimi algoritmaları ile karşılaştırılmıştır. Önerilen projenin temel çıktıları, DNN ağ seçimi yaparak sınıflandırma problemini çözen ve öznitelik seçimi problemini de aynı temel fikir ile çözen yazılım ve Python kütüphanesi oluşturulmuştur.