9 results
Search Results
Now showing 1 - 9 of 9
Doctoral Thesis Düşük Çözünürlüklü Görüntülerde Araç Tespiti ve Sınıflandırması İçin Birden Fazla Aşamalı Modüler Bir Yöntem(2025) Maıga, Bamoye; Dalveren, YaserAkıllı ulaşım sistemlerinde (ITS) gerçek zamanlı araç tespitinin önemi, şehir trafiğindeki araç sayısındaki sonsuz ve sürekli artışla vurgulanmaktadır. Bununla birlikte, çok çeşitli kamera kaliteleri ve çözünürlükleri, farklı görüş açıları ve zayıf aydınlatma ve olumsuz hava koşulları gibi harici ve kontrol edilemeyen değişkenlerin etkisi, doğru araç tespiti ve sınıflandırmasında birçok zorluk yaratmaktadır. Derin öğrenme tabanlı nesne algılama algoritmalarının çoğu, daha önce bahsedilen bu koşullar düşük görünürlük ve/veya düşük çözünürlüklü görüntülere neden olduğu için bu tür durumlarda zorlanmaktadır. Bu kısıtlamaların üstesinden gelmek için bu çalışma, loş ışık, kötü hava koşulları ve düşük çözünürlük gibi zorlu görüntüleme durumlarına uyarlanmış gerçek zamanlı araç tespiti ve sınıflandırması için yeni, modüler, etkili ve güvenilir bir yaklaşım önermektedir. Önerilen yaklaşım iki özel veri kümesinin oluşturulmasını içermektedir. İlk veri kümesi PASCAL VOC formatında 4.500 düşük çözünürlüklü trafik manzarası görüntüsünden oluşmakta ve transfer öğrenme yoluyla bir nesne tespit modelini eğitmek için kullanılmaktadır. İkinci veri kümesi, iki farklı sınıflandırma modelini eğitmeyi amaçlayan, her biri 100 × 100 piksel boyutlarında ve 96 dpi ve altında çözünürlüğe sahip beş araç türünün 10.000 düşük çözünürlüklü görüntüsünü içerir. Önerilen yaklaşım, son teknoloji ürünü tek aşamalı bir dedektör (SSD) olan EFFICIENTDET1'i hafif bir özel evrişimli sinir ağı (CNN) sınıflandırıcısı ve bir XGBoost sınıflandırıcısı ile entegre etmektedir. Bu kombinasyon, hem makine hem de derin öğrenme algoritmalarının güçlü yönlerinden faydalanarak tespit performansını ve sınıflandırma doğruluğunu artırır. Önerilen yaklaşımın etkinliği deneysel değerlendirme ile gösterilmiştir. Önerilen yaklaşım, 0,9323 ortalama ortalama hassasiyet (mAP) ile aynı veri kümesi üzerinde karşılaştırılabilir koşullarda geleneksel ve son teknoloji nesne algılama modellerinden belirgin şekilde daha iyi performans göstermektedir. Ayrıca, çoklu işlemin uygulandığı önerilen yaklaşım, kare başına 26 milisaniyelik bir çıkarım hızına ulaşmaktadır. Bu, son teknoloji ürünü nesne yöntemlerine kıyasla hem doğruluk hem de çıkarım hızında önemli bir gelişmeye işaret etmektedir. Önerilen yaklaşımın modüler, uyarlanabilir ve ölçeklenebilir yapısı, onu ITS'deki uygulamalar için ideal kılmaktadır. Önerilen yaklaşımın yüksek doğruluğunun yanı sıra çıkarım hızı, düşük görüntü kalitesi veya olumsuz çevresel faktörler gibi koşullar altında gerçek zamanlı uygulamalar için etkili ve operasyonel bir seçenek haline getirmektedir. Sonuç olarak, önerilen yaklaşım, zorlu durumlarda daha güvenli ve daha etkili ulaşım yönetimi sağlayabileceğinden, derin öğrenme tabanlı araç algılama alanında büyük bir potansiyele sahiptir. Bu bulgular, verimli bir nesne algılama modelinin çok işlemli bir mimaride özel sınıflandırıcılarla birleştirilmesinin, gerçek zamanlı araç algılamada gelecekteki araştırmalar için umut verici bir yönü temsil ettiğini göstermektedir.Doctoral Thesis Düşük Çözünürlüklü Görüntülerde Araç Tespiti ve Siniflandirmasi için Birden Fazla Aşamali Modüler Bir Yöntem(2025) Maiga, Bamoye; Dalveren, YaserAkıllı ulaşım sistemlerinde (ITS) gerçek zamanlı araç tespitinin önemi, şehir trafiğindeki araç sayısındaki sonsuz ve sürekli artışla vurgulanmaktadır. Bununla birlikte, çok çeşitli kamera kaliteleri ve çözünürlükleri, farklı görüş açıları ve zayıf aydınlatma ve olumsuz hava koşulları gibi harici ve kontrol edilemeyen değişkenlerin etkisi, doğru araç tespiti ve sınıflandırmasında birçok zorluk yaratmaktadır. Derin öğrenme tabanlı nesne algılama algoritmalarının çoğu, daha önce bahsedilen bu koşullar düşük görünürlük ve/veya düşük çözünürlüklü görüntülere neden olduğu için bu tür durumlarda zorlanmaktadır. Bu kısıtlamaların üstesinden gelmek için bu çalışma, loş ışık, kötü hava koşulları ve düşük çözünürlük gibi zorlu görüntüleme durumlarına uyarlanmış gerçek zamanlı araç tespiti ve sınıflandırması için yeni, modüler, etkili ve güvenilir bir yaklaşım önermektedir. Önerilen yaklaşım iki özel veri kümesinin oluşturulmasını içermektedir. İlk veri kümesi PASCAL VOC formatında 4.500 düşük çözünürlüklü trafik manzarası görüntüsünden oluşmakta ve transfer öğrenme yoluyla bir nesne tespit modelini eğitmek için kullanılmaktadır. İkinci veri kümesi, iki farklı sınıflandırma modelini eğitmeyi amaçlayan, her biri 100 × 100 piksel boyutlarında ve 96 dpi ve altında çözünürlüğe sahip beş araç türünün 10.000 düşük çözünürlüklü görüntüsünü içerir. Önerilen yaklaşım, son teknoloji ürünü tek aşamalı bir dedektör (SSD) olan EFFICIENTDET1'i hafif bir özel evrişimli sinir ağı (CNN) sınıflandırıcısı ve bir XGBoost sınıflandırıcısı ile entegre etmektedir. Bu kombinasyon, hem makine hem de derin öğrenme algoritmalarının güçlü yönlerinden faydalanarak tespit performansını ve sınıflandırma doğruluğunu artırır. Önerilen yaklaşımın etkinliği deneysel değerlendirme ile gösterilmiştir. Önerilen yaklaşım, 0,9323 ortalama ortalama hassasiyet (mAP) ile aynı veri kümesi üzerinde karşılaştırılabilir koşullarda geleneksel ve son teknoloji nesne algılama modellerinden belirgin şekilde daha iyi performans göstermektedir. Ayrıca, çoklu işlemin uygulandığı önerilen yaklaşım, kare başına 26 milisaniyelik bir çıkarım hızına ulaşmaktadır. Bu, son teknoloji ürünü nesne yöntemlerine kıyasla hem doğruluk hem de çıkarım hızında önemli bir gelişmeye işaret etmektedir. Önerilen yaklaşımın modüler, uyarlanabilir ve ölçeklenebilir yapısı, onu ITS'deki uygulamalar için ideal kılmaktadır. Önerilen yaklaşımın yüksek doğruluğunun yanı sıra çıkarım hızı, düşük görüntü kalitesi veya olumsuz çevresel faktörler gibi koşullar altında gerçek zamanlı uygulamalar için etkili ve operasyonel bir seçenek haline getirmektedir. Sonuç olarak, önerilen yaklaşım, zorlu durumlarda daha güvenli ve daha etkili ulaşım yönetimi sağlayabileceğinden, derin öğrenme tabanlı araç algılama alanında büyük bir potansiyele sahiptir. Bu bulgular, verimli bir nesne algılama modelinin çok işlemli bir mimaride özel sınıflandırıcılarla birleştirilmesinin, gerçek zamanlı araç algılamada gelecekteki araştırmalar için umut verici bir yönü temsil ettiğini göstermektedir.Doctoral Thesis Düşük Çözünürlülüklü Görüntülerde Araç Tespiti ve Sınıflandırması İçin Birden Fazla Aşamalı Modüller Bir Yöntem(2025) Maiga, Bamoye; Dalveren, YaserAkıllı ulaşım sistemlerinde (ITS) gerçek zamanlı araç tespitinin önemi, şehir trafiğindeki araç sayısındaki sonsuz ve sürekli artışla vurgulanmaktadır. Bununla birlikte, çok çeşitli kamera kaliteleri ve çözünürlükleri, farklı görüş açıları ve zayıf aydınlatma ve olumsuz hava koşulları gibi harici ve kontrol edilemeyen değişkenlerin etkisi, doğru araç tespiti ve sınıflandırmasında birçok zorluk yaratmaktadır. Derin öğrenme tabanlı nesne algılama algoritmalarının çoğu, daha önce bahsedilen bu koşullar düşük görünürlük ve/veya düşük çözünürlüklü görüntülere neden olduğu için bu tür durumlarda zorlanmaktadır. Bu kısıtlamaların üstesinden gelmek için bu çalışma, loş ışık, kötü hava koşulları ve düşük çözünürlük gibi zorlu görüntüleme durumlarına uyarlanmış gerçek zamanlı araç tespiti ve sınıflandırması için yeni, modüler, etkili ve güvenilir bir yaklaşım önermektedir. Önerilen yaklaşım iki özel veri kümesinin oluşturulmasını içermektedir. İlk veri kümesi PASCAL VOC formatında 4.500 düşük çözünürlüklü trafik manzarası görüntüsünden oluşmakta ve transfer öğrenme yoluyla bir nesne tespit modelini eğitmek için kullanılmaktadır. İkinci veri kümesi, iki farklı sınıflandırma modelini eğitmeyi amaçlayan, her biri 100 × 100 piksel boyutlarında ve 96 dpi ve altında çözünürlüğe sahip beş araç türünün 10.000 düşük çözünürlüklü görüntüsünü içerir. Önerilen yaklaşım, son teknoloji ürünü tek aşamalı bir dedektör (SSD) olan EFFICIENTDET1'i hafif bir özel evrişimli sinir ağı (CNN) sınıflandırıcısı ve bir XGBoost sınıflandırıcısı ile entegre etmektedir. Bu kombinasyon, hem makine hem de derin öğrenme algoritmalarının güçlü yönlerinden faydalanarak tespit performansını ve sınıflandırma doğruluğunu artırır. Önerilen yaklaşımın etkinliği deneysel değerlendirme ile gösterilmiştir. Önerilen yaklaşım, 0,9323 ortalama ortalama hassasiyet (mAP) ile aynı veri kümesi üzerinde karşılaştırılabilir koşullarda geleneksel ve son teknoloji nesne algılama modellerinden belirgin şekilde daha iyi performans göstermektedir. Ayrıca, çoklu işlemin uygulandığı önerilen yaklaşım, kare başına 26 milisaniyelik bir çıkarım hızına ulaşmaktadır. Bu, son teknoloji ürünü nesne yöntemlerine kıyasla hem doğruluk hem de çıkarım hızında önemli bir gelişmeye işaret etmektedir. Önerilen yaklaşımın modüler, uyarlanabilir ve ölçeklenebilir yapısı, onu ITS'deki uygulamalar için ideal kılmaktadır. Önerilen yaklaşımın yüksek doğruluğunun yanı sıra çıkarım hızı, düşük görüntü kalitesi veya olumsuz çevresel faktörler gibi koşullar altında gerçek zamanlı uygulamalar için etkili ve operasyonel bir seçenek haline getirmektedir. Sonuç olarak, önerilen yaklaşım, zorlu durumlarda daha güvenli ve daha etkili ulaşım yönetimi sağlayabileceğinden, derin öğrenme tabanlı araç algılama alanında büyük bir potansiyele sahiptir. Bu bulgular, verimli bir nesne algılama modelinin çok işlemli bir mimaride özel sınıflandırıcılarla birleştirilmesinin, gerçek zamanlı araç algılamada gelecekteki araştırmalar için umut verici bir yönü temsil ettiğini göstermektedir.Doctoral Thesis Emitörlerin Pasif Konumlandırılmasında Çok Yollu Saçılmaların Kullanımı(2016) Dalveren, Yaser; Kara, AliBu tez, ada ve kıyı bölgelerindeki radar emitörlerinin çok yollu saçılımdan yararlanarak pasif konumlandırılmasına hitap etmektedir. Çalışmadaki fikir, Coğrafik Bilgi Sistemi (CBS) ile çok yollu saçılan sinyallerin yapay sensör olarak kullanılmasına dayalıdır. Böylece, tek sensör, tipik olarak Elektronik Destek (ED alıcı, ile pasif konumlandırma elde edilebilmektedir. Önerilen yöntem, düzensiz araziler üzerindeki muhtemel çok yollu saçılma merkezlerinin kestirimi ile başlamaktadır. Bunu yapmak için, çok yollu saçılmış darbeler ve direk yol ile ED alıcıları tarafından alınmış darbelerin geliş açısı (GA) ve varış zaman (VZ) bilgilerine ihtiyaç vardır. O halde, ele alınan problem klasik varış zaman farkları (VZF) temelli tekniklerin kolayca uygulanabileceği çoklu sensör konumlandırma problemine dönmektedir. Fakat, çok yollu saçılım düzensiz araziler üzerindeki dağınık bileşenleri kapsadığı için, yapay sensör olarak kullanılacak saçılma merkezlerinin konumunda yüksek derecede bir belirsizlik olacaktır. Açıkçası bu durum yüksek konumlandırma hatasına yol açmaktadır. Bu hatayı azaltmak için belirsizlik bölgelerinin bölütlendirilmesi önerilmektedir ve sonrasında radyo dalga yayılımı ilkeleri muhtemel saçılma merkezlerinin konumunu kestirebilmek için uygulanmaktadır. Muhtemel saçılma merkezlerinin konumu belirlendiğinde, ağırlıklandırılmış ortalama yöntemi radar emitörünün konumunu kestirmek için kullanılmaktadır. Basitleştirilmiş bir iki boyuttaki bir model ile ilgili simülasyon sonuçları sunulmaktadır.Doctoral Thesis Kubernetes Yönetimindeki Konteynerleştirilmiş Edge Ağlarında Dağıtılmış Hizmet Dışı Bırakma (DDOS) Saldırılarının Azaltılmasına Doğru(2025) Köksal, Sarp; Dalveren, Yaser; Çatak, Ferhat ÖzgürBeşinci Nesil (5G) teknolojisinin, Nesnelerin İnterneti (IoT) olarak bilinen milyarlarca cihaza bağlantıya olanak vermesi bekleniyor ve Mobil Sınır Bilişim (MEC) bu teknolojinin ana yapı taşı olacak. Ancak IoT cihazları ve uç ağları, kaçınılmaz olarak çeşitli siber saldırı türlerinin ana hedefi olacaktır. En yaygın olanı, Dağıtılmış Hizmet Reddi (DDoS) saldırıları olarak bilinir. DDoS saldırıları, hedef sisteme çok sayıda paket göndererek kaynaklarını tüketmeyi amaçladığından, genellikle IP tabanlı ortamlarda etkili olur. Yazılım Tanımlı Ağ (SDN) ve Ağ Fonksiyonları Sanallaştırması (NFV), 5G ağlarının uygulama katmanında DDoS saldırılarının yoğun olması beklenen yerlerdir ve bu iki teknoloji, IoT ve Uç Ağları için kilit kolaylaştırıcı olacaktır. Kubernetes gibi konteyner tabanlı sanallaştırma platformları, uç ağlarda Kubernetes'in daha hafif ve çevik platformlar sunabilmesi nedeniyle giderek daha popüler araçlar haline gelmektedir. IoT cihazları en kritik atak hedeflerden biridir çünkü çok fazla cihaz birbirine bağlıdır ve bir saldırının birbirine yayılması çok kolaydır. Buna ek olarak, uç cihazların ve sunucuların sınırlı kaynak kapasitelerine sahip olmaları da bu saldırılara karşı daha kolay hedef olmalarını sağlar. Bu nedenle, uç ağlarda DDoS atakları için güvenlik sistemlerine ihtiyaç vardır. Bu tez çalışmasında, konteyner tabanlı bulut platformlarının Uç Ağlarda dinamik ve otomatik kaynak yönetimi yetenekleri kullanılarak bu DDoS saldırılarına karşı nasıl kullanılabileceğinin araştırılması amaçlanmaktadır.Doctoral Thesis Makine Öğrenmesi Kullanılarak Geliştirilmiş Çok Yollu Yayılım Yöntemiyle Radarların Konumlandırılması(2024) Imran, Md Abdullah Al; Dalveren, Yaser; Kara, AliBu tezin amacı, Elektronik Destek Tedbirleri (ESM) sistemlerinde, özellikle engebeli arazilerde, tek bir alıcı kullanarak radar yayıcılarının pasif olarak konumlandırılması için önerilen bir yaklaşımın uygulanabilirliğini değerlendirmektir. Gerçekçi senaryolardan elde edilen gerçek verilere uygulandığında bu yöntemin doğruluğuna ilişkin ampirik kanıtların olmaması, pratik ortamlarda gerçek bir endişe yaratmaktadır. Bunu ele almak için, yöntemin pratikte uygulanmasını sağlamak üzere isabetli bir ışın izleme (RT) algoritması kullanılmaktadır. Daha sonra, yüksek çözünürlüklü sayısal arazi yükseklik verilerinin (DTED) toplanmasına ve radar yayıcılarıyla ilişkili gerçekçi lokalizasyon zorluklarının dikkate alınmasına yardımcı olan bir coğrafi bilgi sistemi (GIS) haritası kullanılarak gerçekçi senaryolar oluşturulmuştur. Daha sonra, yerelleştirme yönteminin etkinliğini değerlendirmek için simülasyonlar gerçekleştirilmiştir. Sonuç olarak, yöntemin performansı Elektronik Harp (EH) bağlamında pratik uygulaması için doğrulanarak önemli bir dönüm noktasına ulaşılmıştır. Kullanılan yöntemin doğal özellikleri nedeniyle, önerilen yaklaşım hesaplama karmaşıklığından muzdariptir. Hesaplama verimliliğini artırmak amacıyla, önerilen yöntem için Makine Öğrenimi (ML) tabanlı bir yaklaşım getirilmiştir. Önerilen ML çerçevesi önceden bilinen operasyonel ortamdan elde edilen Yol Kaybı, sensör grubunun Geometrik Hassasiyet Seyreltmesi (GDOP), ve Ortalama Kare Hata (MSE) performans ölçütü gibi faydalı özellikler gerektirir. Bu tür veri odaklı bir yaklaşımın performansı veri kümesinin genişliğine bağlı olduğundan, Ege Denizi adalarından motive edilmiş sözde gerçekçi arazi görünümü modelleri oluşturmak için özgün bir teknik geliştirilmiştir. Üç makine öğrenimi modeli: Kademeli Doğrusal Regresyon, Karar Ağacı ve Sinir Ağları eğitilmiş ve bir lokalizasyon algoritmasında kullanılacak en uygun sensör gruplarını tahmin etmek için veri kümeleri üzerinde test edilmiştir. Sonuçlara göre, Karar Ağacı modelinin en yüksek tahmin doğruluğuna ulaşabildiği görülmüştür. Ayrıca, önerilen yaklaşımın performansı lokalizasyon doğruluğu ve hesaplama hızı açısından değerlendirilmiştir. Kestirim doğruluğunu değerlendirmek için MSE'nin yanı sıra Dairesel Hata Olasılığı (CEP) ve Küresel Hata Olasılığı (SEP) da kullanılmıştır. Elde edilen sonuçlardan, önerilen yaklaşımın hesaplama açısından verimli olduğu ve uygulama öncesinde operasyonel ortamın bilinmesi koşuluyla EH bağlamında uygulanabilir olduğu sonucuna varılmıştır.Doctoral Thesis Düşük Çözünürlüklü Görüntülerde Araç Tespiti ve Sınıflandırması İçin Birden Fazla Aşamalı Modüler Bir Yöntem(2025) Maıga, Bamoye; Dalveren, YaserAkıllı ulaşım sistemlerinde (ITS) gerçek zamanlı araç tespitinin önemi, şehir trafiğindeki araç sayısındaki sonsuz ve sürekli artışla vurgulanmaktadır. Bununla birlikte, çok çeşitli kamera kaliteleri ve çözünürlükleri, farklı görüş açıları ve zayıf aydınlatma ve olumsuz hava koşulları gibi harici ve kontrol edilemeyen değişkenlerin etkisi, doğru araç tespiti ve sınıflandırmasında birçok zorluk yaratmaktadır. Derin öğrenme tabanlı nesne algılama algoritmalarının çoğu, daha önce bahsedilen bu koşullar düşük görünürlük ve/veya düşük çözünürlüklü görüntülere neden olduğu için bu tür durumlarda zorlanmaktadır. Bu kısıtlamaların üstesinden gelmek için bu çalışma, loş ışık, kötü hava koşulları ve düşük çözünürlük gibi zorlu görüntüleme durumlarına uyarlanmış gerçek zamanlı araç tespiti ve sınıflandırması için yeni, modüler, etkili ve güvenilir bir yaklaşım önermektedir. Önerilen yaklaşım iki özel veri kümesinin oluşturulmasını içermektedir. İlk veri kümesi PASCAL VOC formatında 4.500 düşük çözünürlüklü trafik manzarası görüntüsünden oluşmakta ve transfer öğrenme yoluyla bir nesne tespit modelini eğitmek için kullanılmaktadır. İkinci veri kümesi, iki farklı sınıflandırma modelini eğitmeyi amaçlayan, her biri 100 × 100 piksel boyutlarında ve 96 dpi ve altında çözünürlüğe sahip beş araç türünün 10.000 düşük çözünürlüklü görüntüsünü içerir. Önerilen yaklaşım, son teknoloji ürünü tek aşamalı bir dedektör (SSD) olan EFFICIENTDET1'i hafif bir özel evrişimli sinir ağı (CNN) sınıflandırıcısı ve bir XGBoost sınıflandırıcısı ile entegre etmektedir. Bu kombinasyon, hem makine hem de derin öğrenme algoritmalarının güçlü yönlerinden faydalanarak tespit performansını ve sınıflandırma doğruluğunu artırır. Önerilen yaklaşımın etkinliği deneysel değerlendirme ile gösterilmiştir. Önerilen yaklaşım, 0,9323 ortalama ortalama hassasiyet (mAP) ile aynı veri kümesi üzerinde karşılaştırılabilir koşullarda geleneksel ve son teknoloji nesne algılama modellerinden belirgin şekilde daha iyi performans göstermektedir. Ayrıca, çoklu işlemin uygulandığı önerilen yaklaşım, kare başına 26 milisaniyelik bir çıkarım hızına ulaşmaktadır. Bu, son teknoloji ürünü nesne yöntemlerine kıyasla hem doğruluk hem de çıkarım hızında önemli bir gelişmeye işaret etmektedir. Önerilen yaklaşımın modüler, uyarlanabilir ve ölçeklenebilir yapısı, onu ITS'deki uygulamalar için ideal kılmaktadır. Önerilen yaklaşımın yüksek doğruluğunun yanı sıra çıkarım hızı, düşük görüntü kalitesi veya olumsuz çevresel faktörler gibi koşullar altında gerçek zamanlı uygulamalar için etkili ve operasyonel bir seçenek haline getirmektedir. Sonuç olarak, önerilen yaklaşım, zorlu durumlarda daha güvenli ve daha etkili ulaşım yönetimi sağlayabileceğinden, derin öğrenme tabanlı araç algılama alanında büyük bir potansiyele sahiptir. Bu bulgular, verimli bir nesne algılama modelinin çok işlemli bir mimaride özel sınıflandırıcılarla birleştirilmesinin, gerçek zamanlı araç algılamada gelecekteki araştırmalar için umut verici bir yönü temsil ettiğini göstermektedir.Doctoral Thesis Milimetre Dalgalarında İnsan Vücudu Gölgelemesinin Modellenmesi ve Karakterize Edilmesi(2020) Bın-alabısh, Ahmed H.a.; Kara, Ali; Dalveren, Yaser5G haberleşmesi Milimetre dalga (mmDalga) bantlarını kullanabileceği için kısa mesafe iç mekân haberleşme linklerinin blokaj açısından kestirimi önemli bir yer tutmaktadır. Bu çalışma kısa mesafe iç mekân haberleşme linklerindeki insan vücudu hareketinin etkilerini karakterize etmek için yapılan bazı ön çalışmaları sunmaktadır. Bildiğimiz kadarıyla, bu çalışma insan vücudu hareketinin bu bant aralığında etkilerini deneysel olarak inceleyen ilk çalışmadır. Bu çalışma ayrıca 28 GHz'de bir insan vücudu tarafından bloklanan bir iç mekân haberleşme linkinin çevresindeki yansıtıcı nesnelerin etkisini karakterize etmek için basit bir yaklaşım sunmaktadır. Metal reflektör ve insan vücudu ile ölçümler yapılarak linke yakın yansıtıcı nesnelerin etkisi irdelenmiştir. Burada, yansıma ve kırınım gibi dalga yayılımının temel mekanizmaları her bir yansıtıcı nesne için hesaba katılmıştır. Metalik reflektör tarafından üretilen zayıflamayı tahmin etmek için yansıma modellemesinde düzgün yansıma modeli kullanılmıştır. Kırınım modellemesinde ise, öte yandan, insan vücudunun neden olduğu zayıylamayı tahmin etmek için Çift Bıçak Kenarlı Kırınım (ÇBKK) modelinden faydalanılmıştır. Sonrasında modellerin tahmin doğruluğunu kestirebilmek için benzetimler ile ölçümler karşılaştırılmıştır. Sonuçlar sunulan basit modellerin iç mekân haberleşme linkleri için düzgün çalıştığını göstermektedir. Dolayısıyla, bu çalışma beşinci nesil (5G) sistemlerin iç mekân haberleşme linkleri yakınındaki çoklu insan vücudunu modellemek için genişletilebilir.Doctoral Thesis Düşük Çözünürlüklü Görüntülerde Araç Tespiti ve Sınıflandırması İçin Birden Fazla Aşamalı Modüler Bir Yöntem(2025) Maiga, Bamoye; Dalveren, YaserAkıllı ulaşım sistemlerinde (ITS) gerçek zamanlı araç tespitinin önemi, şehir trafiğindeki araç sayısındaki sonsuz ve sürekli artışla vurgulanmaktadır. Bununla birlikte, çok çeşitli kamera kaliteleri ve çözünürlükleri, farklı görüş açıları ve zayıf aydınlatma ve olumsuz hava koşulları gibi harici ve kontrol edilemeyen değişkenlerin etkisi, doğru araç tespiti ve sınıflandırmasında birçok zorluk yaratmaktadır. Derin öğrenme tabanlı nesne algılama algoritmalarının çoğu, daha önce bahsedilen bu koşullar düşük görünürlük ve/veya düşük çözünürlüklü görüntülere neden olduğu için bu tür durumlarda zorlanmaktadır. Bu kısıtlamaların üstesinden gelmek için bu çalışma, loş ışık, kötü hava koşulları ve düşük çözünürlük gibi zorlu görüntüleme durumlarına uyarlanmış gerçek zamanlı araç tespiti ve sınıflandırması için yeni, modüler, etkili ve güvenilir bir yaklaşım önermektedir. Önerilen yaklaşım iki özel veri kümesinin oluşturulmasını içermektedir. İlk veri kümesi PASCAL VOC formatında 4.500 düşük çözünürlüklü trafik manzarası görüntüsünden oluşmakta ve transfer öğrenme yoluyla bir nesne tespit modelini eğitmek için kullanılmaktadır. İkinci veri kümesi, iki farklı sınıflandırma modelini eğitmeyi amaçlayan, her biri 100 × 100 piksel boyutlarında ve 96 dpi ve altında çözünürlüğe sahip beş araç türünün 10.000 düşük çözünürlüklü görüntüsünü içerir. Önerilen yaklaşım, son teknoloji ürünü tek aşamalı bir dedektör (SSD) olan EFFICIENTDET1'i hafif bir özel evrişimli sinir ağı (CNN) sınıflandırıcısı ve bir XGBoost sınıflandırıcısı ile entegre etmektedir. Bu kombinasyon, hem makine hem de derin öğrenme algoritmalarının güçlü yönlerinden faydalanarak tespit performansını ve sınıflandırma doğruluğunu artırır. Önerilen yaklaşımın etkinliği deneysel değerlendirme ile gösterilmiştir. Önerilen yaklaşım, 0,9323 ortalama ortalama hassasiyet (mAP) ile aynı veri kümesi üzerinde karşılaştırılabilir koşullarda geleneksel ve son teknoloji nesne algılama modellerinden belirgin şekilde daha iyi performans göstermektedir. Ayrıca, çoklu işlemin uygulandığı önerilen yaklaşım, kare başına 26 milisaniyelik bir çıkarım hızına ulaşmaktadır. Bu, son teknoloji ürünü nesne yöntemlerine kıyasla hem doğruluk hem de çıkarım hızında önemli bir gelişmeye işaret etmektedir. Önerilen yaklaşımın modüler, uyarlanabilir ve ölçeklenebilir yapısı, onu ITS'deki uygulamalar için ideal kılmaktadır. Önerilen yaklaşımın yüksek doğruluğunun yanı sıra çıkarım hızı, düşük görüntü kalitesi veya olumsuz çevresel faktörler gibi koşullar altında gerçek zamanlı uygulamalar için etkili ve operasyonel bir seçenek haline getirmektedir. Sonuç olarak, önerilen yaklaşım, zorlu durumlarda daha güvenli ve daha etkili ulaşım yönetimi sağlayabileceğinden, derin öğrenme tabanlı araç algılama alanında büyük bir potansiyele sahiptir. Bu bulgular, verimli bir nesne algılama modelinin çok işlemli bir mimaride özel sınıflandırıcılarla birleştirilmesinin, gerçek zamanlı araç algılamada gelecekteki araştırmalar için umut verici bir yönü temsil ettiğini göstermektedir.
