Search

The world first met the coronavirus (COVID-19) in Wuhan, China in December 2019. It has continued to increase its influence from the first encounter until today. The detection of this virus, which has caused the death of many, is of great importance today. There are many approaches to the detection of this disease. One of the most effective of these approaches is the detection of COVID-19 disease using chest X-Ray images. In this paper, an intelligent system was proposed to classify normal, pneumonia patients and COVID-19 patients using chest X-Ray images. The proposed system was composed of four stage. At first, all images in the dataset were pre-processed. Then for the feature extraction uniform Local Binary Pattern (LBP) and DenseNet201 deep learning models were used. Particle swarm optimization (PSO) algorithm was used to select effective features. The determined effective features were classified by support vector machine (SVM). Accuracy and AUC parameters were used as performance criteria. Evaluated accuracy and AUC values were 99.9%, 1.00, respectively. The dataset and proposed model codes are made publicly available at: https://github.com/mfatiho/covid-detection-chest-xray, Koronavirüsle ilk olarak Aralık 2019'da Çin'in Wuhan kentinde ortaya çıkmıştır. Bugüne kadar etkisini artırmaya devam ettirmiştir. Birçok kişinin ölümüne neden olan bu virüsün tespiti günümüzde büyük önem taşımaktadır. Bu hastalığın tespiti için birçok yaklaşım bulunmaktadır. Bu yaklaşımların en başarılılarında biri göğüs röntgeni görüntüleri kullanılarak koranavirüs hastalığının veya hastalarının tespitidir. Bu çalışmada, göğüs röntgeni görüntüleri kullanılarak normal, zatürre ve koranavirüs hastalarını sınıflandırmak için akıllı bir sistem önerilmiştir. Önerilen sistem dört aşamadan oluşmaktadır. İlk olarak, veri setindeki tüm görüntüler ön işleme tabi tutulmuştur. Daha sonra özellik çıkarımı için tek tip Yerel İkili Örüntü (LBP) ve DenseNet201 derin öğrenme modelleri kullanılmıştır. Etkili öznitelikleri seçmek için parçacık sürü optimizasyonu (PSO) algoritması kullanılmıştır. Belirlenen etkin özellikler, destek vektör makinesi (SVM) ile sınıflandırılmıştır. Performans kriteri olarak doğruluk ve AUC parametreleri kullanılmıştır. Sonuç olarak, doğruluk değeri 99.9% ve AUC değeri ise 1.00 olarak bulunmuştur. Veri seti ve önerilen model kodları verilen adreste herkese açık hale getirilmiştir: https://github.com/mfatiho/covid-detection-chest-xray

Göz takip algoritmalarında önemli bir yere sahip olan göz bebeği merkezinin yerini belirlemek için geçmişten günümüze birçok yöntem kullanılmıştır. Bu yöntemler genellikle şekil-özellik ve görünüm temellidir. Şekil-özellik tabanlı yöntemler, iris ve göz bebeğinin yerini belirlemek için morfolojik görüntü işleme tekniklerini, gözün değişmez geometrik özelliklerini ve kızılötesi ışığı kullanır. Bu yöntemler ışık, düşük çözünürlük gibi gerçek dünya koşullarından etkilenir. Buna karşılık, görünüm temelli yöntemler bu koşullara daha az duyarlıdır. Bu çalışmada, göz özelliklerini otomatik olarak öğrenen ve göz bebeği merkezi lokalizasyonu gerçekleştiren görünüm tabanlı yöntemlerden biri olan Mini U-Net ağı önerilmiştir. Önerilen ağ, göz bebeği merkezi yerelleştirmesi için halka açık GI4E veri seti kullanılarak değerlendirildi. Ağın test sonuçlarında maksimum normalize edilmiş hata kriterine göre ölçümler yapılmıştır. Buna göre göz bebeğinin merkezi %98,40 doğrulukla belirlendi. Önerilen ağ, en son teknolojik yöntemlerle karşılaştırılmış ve önerilen ağın performansı ortaya konmuştur., Many methods have been used from past to present to determine the location of the pupil center, which has an important place in eye tracking algorithms. These methods are usually shape-feature and appearance-based. Shape-feature-based methods use morphological image processing techniques, invariant geometric features of the eye, and infrared light to locate the iris and pupil. These methods are affected by real world conditions such as light, low resolution. In contrast, appearance-based methods are less sensitive to these conditions. In this study, Mini U-Net network, which is one of the appearance-based methods that automatically learns eye features and performs pupil center localization, is proposed. The proposed network was evaluated using the publicly available GI4E dataset for pupil center localization. In the test results of the network, measurements were made according to the maximum normalized error criterion. Accordingly, the center of the pupil was determined with an accuracy of 98.40%. The proposed network is compared with the latest technological methods and the performance of the proposed network is shown.

Speech emotion recognition is an area of active human-computer interaction that can recognize human emotions from speech signals in real time. The recognition task in this area is an example of a difficult classification due to the complexity of emotions. An effective classification process depends on high-level deep features and an appropriate deep learning model. There are many classification studies in the field of speech emotion recognition. In these studies, many different models and combinations of features have been proposed to accurately extract emotions from speech data. In this article, a system for speech emotion recognition task is proposed. In this system, a long-short-term memory-based deep learning model is proposed for speech emotion recognition. The proposed system consists of four stages: preprocessing, feature extraction, feature combination, long-short-term memory and classification. In the proposed system, the clipping and pre-emphasis pre-processes are applied to the speech data first. After these processes, Mel Frequency Kepstrum Coefficients, Zero Crossing Ratio and Root Mean Square Energy acoustic properties are extracted from the obtained speech data and combined. In addition to the spatial information of these combined features, their acoustic changes over time are learned with the proposed long-short-term memory and a deep neural network model associated with it. Finally, the information learned is classified into 8 different emotions by the softmax activation function. The proposed system has been tested on a dataset using RAVDESS and TESS datasets together. Accuracies of 99.87%, 85.14% and 88.92% were measured in training, validation and test results, respectively. The results were compared in terms of the accuracies in the recent studies and the success of the proposed system was revealed., Konuşma duygu tanıma, konuşma sinyallerinden insan duygularını gerçek zamanlı olarak tanıyabilen aktif bir insan-bilgisayar etkileşimi alanıdır. Bu alanda yapılan tanıma görevi, duyguların karmaşıklığı nedeniyle zorlu bir sınıflandırma örneğidir. Etkili bir sınıflandırma işleminin yapılabilmesi yüksek seviyeli derin özelliklere ve uygun bir derin öğrenme modeline bağlıdır. Konuşma duygu tanıma alanında yapılmış birçok sınıflandırma çalışması mevcuttur. Bu çalışmalarda konuşma verilerinden duyguların doğru bir şekilde çıkarılması için birçok farklı model ve özellik birleşimi önerilmiştir. Bu makalede konuşma duygu tanıma görevi için bir sistem önerilmektedir. Bu sistemde konuşma duygu tanıma için uzun-kısa süreli bellek tabanlı bir derin öğrenme modeli önerilmiştir. Önerilen sistem ön-işlem, özellik çıkarma, özellik birleşimi, uzun-kısa süreli bellek ve sınıflandırma olmak üzere dört aşamadan oluşmaktadır. Önerilen sistemde konuşma verilerine ilk olarak kırpma ve ön-vurgu ön-işlemleri uygulanır. Bu işlemlerden sonra elde edilen konuşma verilerinden Mel Frekans Kepstrum Katsayıları, Sıfır Geçiş Oranı ve Kök Ortalama Kare Enerji akustik özellikleri çıkarılarak birleştirilir. Birleştirilen bu özelliklerin uzamsal bilgilerinin yanında zaman içindeki akustik değişimleri sistemde önerilen uzun-kısa süreli bellek ve buna bağlı bir derin sinir ağı modeliyle öğrenilir. Son olarak softmax aktivasyon fonksiyonu ile öğrenilen bilgiler 8 farklı duyguya sınıflandırılır. Önerilen sistem RAVDESS ve TESS veri setlerinin birlikte kullanıldığı bir veri kümesinde test edilmiştir. Eğitim, doğrulama ve test sonuçlarında sırasıyla %99.87 , %85.14 , %88.92 oranlarında doğruluklar ölçülmüştür. Sonuçlar, son teknoloji çalışmalardaki doğruluklarla kıyaslanmış önerilen sistemin başarısı ortaya konmuştur.

In this study, a software trivium structure was created. Trivium is one of the structures created by connecting 3 LFSRs (Linear feedback shift registers) with various logic gates and used as a random number generator. Trivium structures can be created in hardware or software. There are various methods and algorithms proposed in the literature to determine the initial values (key, initial vector and LFSR initial contents) of software trivium structures. In this study, unlike the existing studies, the first conditions were created by using the Java SecureRandom library. Pseudo-random numbers generated using the software trivium structure created in the study were analyzed with NIST SP 800-22 Rev.1a tests. The binary sequences produced using the generated trivium structure passed the randomness tests successfully., Bu çalışmada yazılımsal trivium yapısı oluşturulmuştur. Trivium, 3 adet LFSR’nin (Doğrusal geri beslemeli kaydırmalı yazmaç) çeşitli mantık kapılarıyla birbirine bağlanmasıyla oluşturulan ve rasgele sayı üreteci olarak kullanılan yapılardan biridir. Trivium yapıları donanımsal veya yazılımsal oluşturulabilir. Yazılımsal trivium yapılarının ilk değerlerini (anahtar, başlangıç vektörü ve LFSR başlangıç içerikleri) belirlemek için literatürde önerilen çeşitli yöntem ve algoritmalar mevcuttur. Bu çalışmada mevcut çalışmalardan farklı olarak ilk şartlar Java SecureRandom kütüphanesi kullanlarak oluşturulmuştur. Çalışmada oluşturulan yazılımsal trivium yapısı kullanılarak üretilen sözde rasgele sayılar NIST SP 800-22 Rev.1a testleri ile analiz edilmiştir. Oluşturulan trivium yapısı kullanılarak üretilen ikili diziler rasgelelik testlerinden başarılı şekilde geçmiştir.

Hiperspektral uzaktan algılama görüntüleri (HUAG), yüzlerce spektral bant içeren ve iki uzamsal-bir spektral boyuta sahip 3B görüntü küpleridir. Sınıflandırma, HUAG’de en popüler konulardan biridir. Son yıllarda HUAG sınıflandırması için çok sayıda derin öğrenme yöntemi önerilmiştir. Özellikle Evrişimli Sinir Ağları (ESA), HUAG'lerin sınıflandırılmasında yaygın olarak kullanılmaktadır. ESA, daha yüksek kaliteli HUAG sınıflandırması için daha ayırt edici özellikler sağlayabilen güçlü bir özellik öğrenme yeteneğine sahiptir. Bu çalışma kapsamında 3B/2B ESA, Artık ağ mimarisi ve Derinlemesine ayrılabilir evrişimin birlikte kullanıldığı bir yöntem önerilmiştir. Daha derin ESA'larda, katman sayısı arttıkça daha yüksek sınıflandırma performansı elde etmek için artık ağ kullanılmaktadır. Ayrıca artık ağ sayesinde derin ağlarda oluşabilecek bozulma ve gradyanların yok olması gibi sorunların üstesinden gelinmektedir. Öte yandan, hesaplama maliyetini azaltan, aşırı öğrenmeyi önleyen ve daha fazla uzamsal özellik çıkarımı sağlayan Derinlemesine ayrılabilir evrişimler kullanılmıştır. Son olarak, 3B ESA ile HUAG’lerden uzamsal-spektral özellikler eş zamanlı olarak çıkarılmaktadır. Ancak sadece 3B ESA kullanımı hesaplama karmaşıklığını arttırmaktadır. Yalnızca 2B ESA kullanımı ile de HUAG’lerden sadece uzamsal özellikler çıkarılmaktadır. Spektral özellikler çıkarılamamaktadır. 3B ESA ile 2B ESA’nın birlikte kullanılmasıyla bu iki problem çözülmüştür. Ayrıca önerilen yöntemde optimum spektral bant çıkarımı için temel bileşen analizi bir ön işleme adımı olarak kullanılmıştır. Popüler iki HUAG kıyaslama veriseti olan Indian pines ve Salinas verisetleri kullanılarak uygulamalar gerçekleştirilmiştir. Uygulamalar sonucunda Indian pines ile %99.45 ve Salinas ile %99.95 genel doğruluk sonucu elde edilmiştir. Elde edilen sınıflandırma sonuçları, önerilen yöntemin sınıflandırma performansının mevcut yöntemlerden daha iyi olduğunu göstermektedir., Hyperspectral remote sensing images (HRSI) are 3D image cubes containing hundreds of spectral bands and having two spatial-one spectral dimensions. Classification is one of the most popular topics at HRSI. In recent years, many deep learning methods have been proposed for HRSI classification. Especially Convolutional Neural Networks (CNN) are commonly used in the classification of HRSIs. CNN has a strong feature learning capability, which can provide more distinctive features for higher quality HRSI classification. In this study, a method in which 3D/2D CNN, Residual network architecture (ResNet) and Depthwise separable convolution (DSC) are used together is proposed. In deeper CNNs, ResNet is used to achieve higher classification performance as the number of layers increases. In addition, thanks to ResNet, problems such as degradation and vanishing gradients that may occur in deep networks are overcome. On the other hand, DSCs have been used, which reduces the computational cost, prevents overfitting and provides more spatial feature extraction. Finally, spatial-spectral features are extracted simultaneously from HRSIs with 3D CNN. However, using only 3D CNN increases computational complexity. By using only 2D CNN, only spatial features are extracted from HRSIs. Spectral features cannot be extracted. By using 3D CNN and 2D CNN together, these two problems are solved. In addition, principal component analysis is used as a preprocessing step for optimum spectral band extraction in the proposed method. Applications were carried out using two popular HUAG benchmarking datasets, Indian pines and Salinas datasets. As a result of the applications, an overall accuracy of 99.45% with Indian pines and 99.95% with Salinas was obtained. The obtained classification results show that the classification performance of the proposed method is better than the existing methods.

Hyperspectral images (HSI) are contiguous band images commonly used in remote sensing. Deep learning (DL) is an effective method used in HSI classification. Convolutional neural networks (CNN) are one of the DL methods used in HSI classification. It provides automated approaches that can learn abstract features of HSIs from spectral-spatial fields. The high dimensionality of the HSIs increases the computational complexity. Therefore, most of the developed CNN models perform dimensionality reduction as a preprocessing step. Another problem in HSI classification is that spectral-spatial features must be considered in order to obtain accurate results. Because, HSI classification performance is highly dependent on spectral spatial information. In this study, a new 3D CNN model is proposed for HSI classification. The proposed method provides an effective method to simultaneously extract spectral-spatial features in HSIs. The network uses the 3D hyperspectral cube at the input. Principal component analysis is used to eliminate the dimensional redundancy in the hyperspectral cube. Then, using neighborhood extraction, spectral-spatial features are extracted effectively. The proposed method has been tested with 4 datasets. The application results were compared with 7 different DL-based methods and it was seen that our 4CF-Net method showed better classification performance.