Search

Conference Name: 2022 30th Signal Processing and Communications Applications Conference (SIU) Date of Conference: 15-18 May 2022 Bir çok büyük veri işleme uygulaması “PageRank”, “İşbirliğine Dayalı Filtreleme” ve “Betweenness Centrality” gibi düzensiz ve yinelemeli çizge algoritmalarından yararlanmaktadır. Çizge yapılarında her bir düğüm bir kişiye ya da nesneye karşılık gelirken, her bir ayrıt da bir kişi ya da nesne çifti arasındaki ilişkiye karşılık gelmektedir. Böylesi büyük verileri işleyen algoritmaları yürütecek genel amaçlı işlemciler yetersiz kalabilmektedir. Özellikle, güç kısıtları sebebiyle işlemci alt parçalarından sadece bir kısmı aynı anda aktif olarak kullanılabilmektedir. Bu da işlemcinin etkin olarak kullanılmasına engel olarak aktif olmayan “karanlık silikon”lar ortaya çıkarmaktadır. Bu bildirinin amacı da büyük verili ve düzensiz çizge uygulamalarını hızlı, verimli ve kolay programlanabilir biçimde çalıştıracak bir işlemci mimarisi tasarlamaktır. Literatürde çizge uygulamaları için daha önce sunulmuş çalışmalar çoğunlukla sadece yazılım ya da hızlandırıcı seviyesindedir. İşlemci seviyesi tasarımlar ise donanımsal maliyet, talep ettikleri mimari destek ve komut seti değişiklikleri açılarından bu bildiri kapsamında tanıtılacak işlemciden farklıdır. Many widely used big data applications make use of irregular and iterative graph processing algorithms like PageRank, collaborative filtering and betweenness centrality. In a graph structure, each vertex corresponds to a person or object, while each edge corresponds to the relationship between a pair of persons or objects. In executing algorithms that process such large datasets, general-purpose processors may be inefficient. In particular, due to power constraints, only a portion of the processor can be used simultaneously. This, in turn, prevents the efficient use of the processor, which leads to inactive areas termed as "dark silicone". The aim of this paper is to design a processor architecture that will run large datasets on irregular graphs quickly, efficiently and in an easily programmable fashion. Most of the studies previously presented for graph applications are only at the software or accelerator level, and the processor-level designs are different from the processor to be introduced for this paper in terms of hardware cost, required architectural support, and instruction set modifications.

Conference Name: 2022 30th Signal Processing and Communications Applications Conference (SIU) Date of Conference: 15-18 May 2022 The performance of object detection algorithms running on images taken from Unmanned Aerial Vehicles (UAVs) remains limited when compared to the object detection algorithms running on ground taken images. Due to its various features, YOLO based models, as a part of one-stage object detectors, are preferred in many UAV based applications. In this paper, we are proposing novel architectural improvements to the YO-LOv5 architecture. Our improvements include: (i) increasing the number of detection layers and (ii) use of transformers in the model. In order to train and test the performance of our proposed model, we used VisDrone and SkyData datasets in our paper. Our test results suggest that our proposed solutions can improve the detection accuracy. İnsansız Hava Araçları (İHA) üzerindeki kameralardan alınan görüntülerde, nesne tanıma algoritmalarının başarımı, yerden çekilen görüntülerdeki performanslara göre daha sınırlı kalabilmektedir. Birçok İHA uygulamasında, tekgeçişli olmasından ve iki-geçişli yöntemlere göre daha hızlı olmasından dolayı, önceden eğitilmiş modelleri ile beraber gelen YOLOv5 algoritması kullanılmaya başlanmıştır. Ancak YOLOv5 algoritmasının İHA tabanlı imgeler üzerindeki performansı, yerden çekilen resimler üzerindeki performansına oranla düşük kalmaktadır. O nedenle bu çalışmada, YOLOv5 algoritmasının performansını arttırmak adına mimari çözümler önerilmiştir. Bu çözümler: (i) farklı sayıda tahmin yapan katman kullanmak, ve (ii) dönüştürücü (transformer) katmanı kullanmak olarak sıralanabilir. Sunulan yöntem, en güncel olan VisDrone ve Sky- DataV1 veri kümeleri üzerinde, orijinal YOLOv5 algoritması ile karşılaştırıldığında, performans artışı sağlamıştır.

Conference Name: 2022 30th Signal Processing and Communications Applications Conference (SIU) Date of Conference: 15-18 May 2022 Functional magnetic resonance imaging (fMRI) enables recording the brain’s neural activity spatiotemporally and is the center of much cutting-edge psychology and neuroscience research. Many methods are proposed to process the 4-dimensional data the fMRI scans provide. The most common approach for classification tasks is to analyze functional connectivity, where brain volume is parcelled to regions, and the correlation between their time series is calculated. Such an approach is very suitable for graphical neural networks, a popular deep learning method for graphical data analysis. A graph is constructed by formulating the parcelled brain regions as the graph nodes, while their features and edges are constructed from the correlations. However, in many studies, the correlations are calculated from simple methods that do not take account of the lagged relations between the node time-series. This paper addresses this issue by proposing a new graphical neural network layer. This layer accounts for lagged relationships between the nodes and learns reacher features rather than simple zero-lag correlations. We show that our graphical layer can be used in front of a known graphical model and increase its performance for two different downstream tasks in a large fMRI dataset. Fonksiyonel manyetik rezonans görüntüleme (fMRG), beyindeki sinirsel etkinliği zamansal ve uzamsal olarak kaydedebilen bir görüntüleme tekniğidir ve yenilikçi psikoloji ve sinirbilimi araştırmalarının merkezindedir. fMRG taramalarının 4 boyutlu verisini işleyebilmek için çeşitli metotlar önerilmiştir. Sınıflandırma çalışmalarında en yaygın olarak kullanılan teknik, beynin bölgelere ayrılması ve bu bölgelerin zaman serileri arasında korelasyon hesaplanmasıyla bulunan fonksiyonel bağlılık ölçütüdür. Söz konusu yaklaşım, grafiksel verilerin derin öğrenme ile işlenmesinde popüler bir teknik olan grafiksel sinir ağlarında kullanmak için uygundur. Grafiksel sinir ağlarında bölünmüş beyin bölgeleri düğümleri oluştururken düğümler arasındaki bağlantılar ve düğümlerin özellik vektörleri korelasyon hesabına dayanır. Çoğu çalışmada bu korelasyon hesabı yapılırken dü- ğümlerin zaman serileri arasındaki gecikmeli ilişkiler göz ardı edilmektedir. Bu makalede önerilen yeni sinirsel ağ katmanıyla gecikmeli ilişkilerin etkisinin incelenmesi hedeflenmiştir. Bu katman düğümler arasında gecikmeli ilişki hesabı yaparak basit, sıfır gecikmeli korelasyona göre daha zengin özellik vektörleri oluşturulmasını sağlar. Bu makaleyle, önerdiğimiz grafiksel katmanın bilinen başka bir grafiksel modelin önüne eklenmesi sonucu performans artımı sağlanabileceğini 2 çalışmayla gösteriyoruz.

Conference Name: 2022 30th Signal Processing and Communications Applications Conference (SIU) Date of Conference: 15-18 May 2022 The Batch-Constrained Q-learning algorithm is shown to overcome the extrapolation error and enable deep reinforcement learning agents to learn from a previously collected fixed batch of transitions. However, due to conditional Variational Autoencoders (VAE) used in the data generation module, the BCQ algorithm optimizes a lower variational bound and hence, it is not generalizable to environments with large state and action spaces. In this paper, we show that the performance of the BCQ algorithm can be further improved with the employment of one of the recent advances in deep learning, Generative Adversarial Networks. Our extensive set of experiments shows that the introduced approach significantly improves BCQ in all of the control tasks tested. Moreover, the introduced approach demonstrates robust generalizability to environments with large state and action spaces in the OpenAI Gym control suite. Toplu-Kısıtlı Q-öğrenme (TKQ) algoritmasının, ekstrapolasyon hatasının üstesinden geldiği ve derin pekiştirmeli öğrenme ajanlarının önceden toplanmış sabit bir deneyim kümesinden öğrenebildiği gösterilmiştir. Ancak, veri oluşturma modülünde kullanılan Koşullu Değişken Özkodlayıcılar (KDÖ) sebebiyle TKQ algoritması daha düşük bir değişken sınırını optimize etmektedir ve bu nedenle, büyük durum ve eylem uzaylarına sahip ortamlara genelleştirilememektedir. Bu bildiride, derin öğrenmedeki son gelişmelerden biri olan Üretken Çekişmeli Ağlar’ın (ÜÇA) kullanılmasıyla TKQ algoritmasının performansının daha da geliştirilebileceği gösterilmektedir. Kapsamlı deneyler, tanıtılan yaklaşımın test edilen her bir kontrol görevinde TKQ’yu önemli ölçüde geliştirdiğini göstermektedir. Ayrıca tanıtılan yaklaşım, OpenAI Gym kontrol setindeki geniş durum ve eylem boşluklarına sahip ortamlara hızlı bir genelleştirilebilirlik sergilemektedir.

Bu çalışmada LoRa tabanlı modülasyonların toplamsal beyaz Gauss ve Rayleigh kanallardaki bit hata oranı başarımları incelenmiştir. Nominal LoRa, ICS-LoRa ve SSKLoRa modülasyonlarının mesaj çözüm kuralları, demodülatör karmaşıklıkları ve spektral verimlilikleri karşılaştırılmıştır. Bit hata oranı sayısal sonuçları verilmiştir., In this paper, the bit error rate (BER) performances of the LoRa-based modulations are investigated for the additive white Gaussian noise channel and Rayleigh channel. Detection rules, demodulator complexity and spectral efficiency of the nominal LoRa, the interleaved chirp spreading LoRa (ICS-LoRa), and the slope-shift-keying LoRa (SSK-LoRa) modulations are compared. BER numerical results are given.

The microwave imaging systems have the potential to present a cost effective and less hazardous alternative to conventional medical imaging techniques. In this paper, a Contrast Source Inversion method based microwave imaging scheme is proposed and tested for the detection of pulmonary edema and hemorrhage. To this end, a realistic human torso phantom is used, and the electromagnetic parameters of the human tissues is determined via Cole-Cole model. The scattered field is simulated via Method of Moments at the operating frequency of 350 MHz, and a 50 dB white Gaussian noise is added to model a realistic measurement setup. The numerical tests performed with the proposed technique suggest that the method can be used to locate the pulmonary edema and hemorrhage, and it is capable of distinguishing these two medical conditions successfully. © 2022 IEEE. 2-s2.0-85138721822