3 results
Search Results
Now showing 1 - 3 of 3
Article Citation - WoS: 2Citation - Scopus: 3A Hybrid Approach for Semantic Image Annotation(Ieee-inst Electrical Electronics Engineers inc, 2021) Sezen, Arda; Turhan, Cigdem; Sengul, GokhanIn this study, a framework that generates natural language descriptions of images within a controlled environment is proposed. Previous work on neural networks mostly focused on choosing the right labels and/or increasing the number of related labels to depict an image. However, creating a textual description of an image is a completely different phenomenon, structurally, syntactically, and semantically. The proposed semantic image annotation framework presents a novel combination of deep learning models and aligned annotation results derived from the instances of the ontology classes to generate sentential descriptions of images. Our hybrid approach benefits from the unique combination of deep learning and semantic web technologies. We detect objects from unlabeled sports images using a deep learning model based on a residual network and a feature pyramid network, with the focal loss technique to obtain predictions with high probability. The proposed framework not only produces probabilistically labeled images, but also the contextual results obtained from a knowledge base exploiting the relationship between the objects. The framework's object detection and prediction performances are tested with two datasets where the first one includes individual instances of images containing everyday scenes of common objects and the second custom dataset contains sports images collected from the web. Moreover, a sample image set is created to obtain annotation result data by applying all framework layers. Experimental results show that the framework is effective in this controlled environment and can be used with other applications via web services within the supported sports domain.Article Görüntülerden Bilgi Elde Etmek İçin Görüntü Açıklama Çalışmalarının Sistematik Haritalandırma İncelemesi(2020) Sezen, Arda; Turhan, ÇiğdemÇeşitli görüntü türlerinden görüntü meta verilerini elde etmeyi, işlemeyi ve anlamlı sonuçlar çıkarmayı amaçlayan görüntü açıklaması kavramı, bilgi toplumunda görüntülerden bilgi edinme konusunda daha kritik hale gelmiştir. Bu konuda literatürde önerilen birçok yaklaşım vardır, ancak en uygun olanı seçmek kolay değildir. Bu çalışmada, görüntü açıklamalarındaki kilit yaklaşımlar, kapsamlı bir literatür taraması ve sistematik haritalama yoluyla incelenmiştir. Çalışmamızın yeniliği, literatürdeki görüntü açıklama çalışmalarını araştırmak, haritalamak ve analiz etmek ve seçilen çalışmaları sınıflandırmak, araştırma boşluklarını ortaya çıkarmak ve bu makalede sunulan araştırma soruları için görsel özet hazırlamak adına ilk denemeyi temsil etmesidir. Literatürde, ilgi alanını farklı açılardan araştırmak için sistematik haritalama yaklaşımı önerilmektedir. Bu amaçla, tespit edilen toplam 404 çalışma içerisinden 95 çalışma seçilmiştir. Alandaki literatürün incelenmesi, mevcut yöntemlerin / tekniklerin, araçların, metriklerin, süreçlerin veya diğer teknik yaklaşımların kendi başlarına eksiksiz bir çözüm üretmek için yeterli olmadığını göstermektedir. Önerilen teknikleri birleştirerek ve disiplinlerarası yaklaşımları dikkate alarak yeni çözümler üretmenin gerekliliği de önerilmiştir.Article Citation - Scopus: 22Comparative Analysis of Programming Languages Utilized in Artificial Intelligence Applications: Features, Performance, and Suitability(Prof.Dr. İskender AKKURT, 2024) Sezen, Arda; Türkmen, Güzin; Şengül, GökhanThis study presents a detailed comparative analysis of the foremost programming languages employed in Artificial Intelligence (AI) applications: Python, R, Java, and Julia. These languages are analysed for their performance, features, ease of use, scalability, library support, and their applicability to various AI tasks such as machine learning, data analysis, and scientific computing. Each language is evaluated based on syntax and readability, execution speed, library ecosystem, and integration with external tools. The analysis incorporates a use case of code writing for a linear regression task. The aim of this research is to guide AI practitioners, researchers, and developers in choosing the most appropriate programming language for their specific needs, optimizing both the development process and the performance of AI applications. The findings also highlight the ongoing evolution and community support for these languages, influencing long-term sustainability and adaptability in the rapidly advancing field of AI. This comparative assessment contributes to a deeper understanding of how programming languages can enhance or constrain the development and implementation of AI technologies.
