Search

Görsel verilerin işlenmesi son yıllarda özellikle medikal alanda sıklıkla kullanılmaktadır. Yapay zekânın bir alt dalı olan derin öğrenme yöntemleri, görüntü işleme yöntemleri ile birlikte kullanılarak; doku analizi ve hastalıkların otomatik sınıflandırılması başta olmak üzere birçok alanda başarılı bir şekilde uygulanmaktadır. Derin öğrenme, bir dönem mevcut donanımların yetersiz kalması sebebiyle durgunluk noktasına gelmiş fakat 2000'li yıllar ile birlikte tekrar popüler bir alan olmaya başlamıştır. GPU gelişmeleriyle birlikte sığ yapay sinir ağlarından derin yapay sinir ağlarına geçiş yapılmıştır. Katmanlar arasında gerçekleşen geri yayılım algoritmaları sayesinde büyük veri kümelerindeki gizli ve ayırt edici özellikler keşfedilmektedir. Bu da yapay sinir ağlarının ve derin öğrenme yöntemlerinin etkinliğini ortaya çıkarmaktadır. Bu çalışmada BreakHis veri setinde yer alan histopatolojik meme kanseri görüntüleri, görüntü işleme ve derin öğrenme yöntemleri kullanılarak sınıflandırılmıştır. Aynı zamanda literatürde yapılan çalışmalar da incelenmiştir. Tezin amacı, özellikle kadınlarda son yıllarda oldukça sık rastlanan meme kanseri hastalığının erken ve doğru teşhisi için otomatik bir yöntem sunulmasıdır. Bu sayede gerçekleştirilen çalışmalar neticesinde tıp uzmanlarına alacakları kararlarda destek olacak nitelikte bir çalışma ortaya konmuştur. Processing of visual data has been used frequently in recent years, especially in the medical field. By using deep learning methods, a sub-branch of artificial intelligence, together with image processing methods; It has been successfully applied in many areas, especially tissue analysis and automatic classification of diseases. Deep learning experienced a stagnation due to the inadequacy of the existing hardware for a while, but it started to become a popular field again with the 2000s. With the developments in GPU, there has been a transition from shallow artificial neural networks to deep artificial neural networks. Thanks to back propagation algorithms between layers, hidden and distinctive features in large data sets are discovered. This reveals the effectiveness of artificial neural networks and deep learning methods. In this study, histopathological breast cancer images in the BreakHis dataset were classified using image processing and deep learning methods. At the same time, studies in the literature were also examined. The aim of the thesis is to present an automatic method for the early and accurate diagnosis of breast cancer, which is very common in women in recent years. As a result of the studies carried out in this way, a study has been put forward that will support medical professionals in their decisions.

Teknolojinin geliştiği ve firmaların ve küreselleşme çabası içerisinde yatırımlarını arttırdığı bir dönemde, yeni fikirlerin ortaya çıkması ve rekabetin artması kaçınılmaz hale gelmiştir. Zaman içerisinde cihazların donanım kapasitelerinin de artması sonucu birçok sektörde otonom sistem çalışmaları hız kazanmıştır. Makine öğrenmesi ve derin öğrenme alanındaki gelişmeler karmaşık problemlerin çözümüne ve birçok farklı uygulamanın geliştirilmesine olanak sağlamıştır. Otonom araçlar, insan müdahalesi gerektirmeyen ve kendi kendine hareket kabiliyetine sahip olan araçlardır. Son yıllarda otonom araçlar, askeri, ticari ve araştırma projeleri olmak üzere hem akademik alanda, hem savunma sanayi alanında hem de özel sektörde kendine yer edinmiştir. Otonom araçların gelişimi ve kullanımının yaygınlaşması ile sürücü kaynaklı trafik kazalarının engellenebileceği, yakıt tasarrufunun artacağı ve yoğun trafik sıkışıklığı problemini ortadan kaldıracağı öngörülmektedir. Bu bağlamda tez çalışmasında, yapay sinir ağlarının temel çalışma prensipleri, fonksiyonları ve barındırdıkları değişkenler incelenmiştir. Ardından, 0’dan 9’a kadar olan sayılardan oluşan MNIST veri setine dayalı olarak bir evrişimli sinir ağı modeli oluşturulmuştur. Tüm ağ katmanları detaylıca incelenmiş ve modelin başarı sonuçları grafikler ile değerlendirilmiştir. Son olarak sürücüsüz bir aracın özerk hareketi için derin öğrenme modeli oluşturularak, bir sinir ağı eğitimi gerçekleştirilmiştir. Çalışma esnasında Torch kütüphanesi kullanılmış ve GPU üzerinden çalışan bir derin öğrenme uygulaması gerçekleştirilmiştir. Çalışma kapsamında araç kiti, Jetson Nano geliştirme kartı, Raspberry Pi kamera modülü ve ultrasonik sensör kullanılmış, otonom sürüş için de bir parkur hazırlanmıştır. Eğitilen sinir ağı modeliyle beraber aracın otonom bir şekilde parkuru tamamlaması sağlanmış ve çalışmanın sonuçları grafiklerle sunulmuştur. In a period when technology develops and firms increase their investments in the effort of globalization, it has become inevitable for new ideas to emerge and competition to increase. As a result of the increase in the hardware capacities of the devices over time, autonomous system studies have accelerated in many sectors. Advances in machine learning and deep learning have enabled the solution of complex problems and the development of many different applications. Autonomous vehicles are vehicles that do not require human intervention and have the ability to move on their own. In recent years, autonomous vehicles have gained a place in both the academic field, the defense industry and the private sector, including military, commercial and research projects. It is predicted that with the development and widespread use of autonomous vehicles, driver-related traffic accidents can be prevented, fuel savings will be achieved and traffic congestion will be eliminated. In this context, the basic working principles, functions and variables of artificial neural networks were examined in the thesis study. Then, a convolutional neural network model was created based on the MNIST dataset consisting of numbers from 0 to 9. While creating the model, all layers were examined in detail and the success results of the model were evaluated with graphics. Finally, a deep learning model was created for the autonomous movement of a driverless vehicle and neural network training was carried out. During the study, the Torch library was used and a deep learning application running on the GPU was implemented. Within the scope of the study, a car kit, Jetson Nano development board, Raspberry Pi camera modüle and ultrasonic distance sensor were used, and a track was prepared for autonomous driving. With the trained neural network model, the vehicle was provided to complete the track autonomously and the results of the study were presented with graphics.

Bu tez çalışmasında, derin sinir ağları kullanarak, iç ortamda elde edilmiş derinlik imgelerinden, her türlü pozisyonda bulunabilen insanların baş-omuz bölgelerinin algılanması hedeflenmiştir. Aday baş-omuz bölgelerini doğrulayacak ya da eleyecek şekilde kurgulanmış iki sınıflı derin mimariler tasarlanmıştır. Bu mimarilerin eğitilmesi ve test edilmesi için Kinect Takip Hassasiyeti Veri Kümesi, RGB-D İnsan Veri Kümesi ve UR Düşme Algılama Veri Kümesi’ndeki derinlik imgelerinden baş-omuz bölgelerini içeren kutucuklar işaretlenip kesilmiştir. Aynı şekilde, baş-omuz bölgesine benzeyen negatif kutucuklar da bu derinlik imgelerinden elde edilmiştir. Pozitif ve negatif örnekleri doğru bir şekilde sınıflandırmak üzere çeşitli derin sinir ağı mimarileri tasarlanmıştır. Sinir ağlarının eğitiminde katman arttırımının ve sinir ağlarına özel parametrelerin değişiminin sınıflandırma başarımı üzerindeki etkileri incelenmiştir The objective of this work is to detect humans in arbitrary poses from depth images acquired in indoor environment through recognition of head-shoulder regions with deep neural networks. In order to train and test deep neural networks, rectangular boxes containing head-shoulder regions were extracted from depth images in Kinect Tracking Precision Dataset, UR Fall Detection Dataset and RGB-D People Dataset. Rectangular regions containing negative examples resembling head-shoulder shape were also extracted. Several network architectures were designed to correctly classify positive and negative examples. Effects of increasing number of layers in neural networks and effects of changing special parameters on the classification performance were examined