Filtreler

2018 - 201912020 - 20221
Filtreleri Sıfırla

Ayarlar

Bölüm: Işık University, Faculty of Engineering, Department of Electrical-Electronics Engineering × Konu: Deep neural networks ×

Arama Sonuçları

Listeleniyor 1 - 2 / 2
  • Küçük Resim
    Yayın
    Derin öznitelikler ile anlambilimsel görüntü bölütleme
    (Institute of Electrical and Electronics Engineers Inc., 2018-07-05) Sünetci, Sercan; Ateş, Hasan Fehmi
    Derin evrişimsel sinir ağları (ESA) pek çok sınıflandırma probleminde olduğu gibi anlambilimsel görüntü bölütlemede de çok ciddi başarı göstermiştir. Fakat derin ağların eğitilmesi hem zaman alıcıdır hem de geniş bir eğitim veri kümesine ihtiyaç duymaktadır. Bir veri kümesinde eğitilen ağın başka bir görev ya da veri kümesine uygulanabilmesi için transfer öğrenme ile yeniden eğitilmesi gerekmektedir. Transfer öğrenmeye alternatif olarak ağ katmanlarından çıkarılan öznitelik vektörleri doğrudan sınıflandırma amaçlı kullanılabilir. Bu bildiride genel ESA mimarilerinden elde edilen özniteliklerin eğitim gerektirmeyen bir görüntü etiketleme yönteminde kullanılmasının sınıflandırma başarımına katkısı incelenmiştir. Derin ağlarda ‘öğrenilmiş’ öznitelikler ile SIFT gibi ‘el yapımı’ özniteliklerin birlikte kullanılmasının etiketleme doğruluğunu artırdığı gösterilmiştir. Varolan ön eğitimli ağların kullanılması sayesinde önerilen yaklaşım herhangi bir veri kümesinde yeniden eğitime gerek olmadan kolayca uygulanabilmektedir. Önerilen yöntem iki veri kümesinde test edilmiş ve etiketleme doğruluğu benzer yöntemlerle karşılaştırmalı olarak sunulmuştur.
  • Küçük Resim
    Yayın
    Recovery of impenetrable rough surface profiles via CNN-based deep learning architecture
    (Taylor and Francis Ltd., 2022-08-18) Aydın, İzde; Budak, Güven; Sefer, Ahmet; Yapar, Ali
    In this paper, a convolutional neural network (CNN)-based deep learning (DL) architecture for the solution of an electromagnetic inverse problem related to imaging of the shape of the perfectly electric conducting (PEC) rough surfaces is addressed. The rough surface is illuminated by a plane wave and scattered field data is obtained synthetically through the numerical solution of surface integral equations. An effective CNN-DL architecture is implemented through the modelling of the rough surface variation in terms of convenient spline type base functions. The algorithm is numerically tested with various scenarios including amplitude only data and shown that it is very effective and useful.