5 sonuçlar
Arama Sonuçları
Listeleniyor 1 - 5 / 5
Yayın Raylı sistemlerde yüksek gerilim aksamının otomatik denetimi(IEEE, 2014-04-23) Ağdoğan, Didem; Babacan, Veysel Karani; Eskil, Mustafa TanerRaylı sistemlerde yolculugun sorunsuz tamamla-nabilmesi için sistem bütünlüğü kritik öneme sahiptir. Sistem bütünlüğü, lokomotif ve vagonlar haricinde katener (yüksek gerilim) hattı, pantograf ve raylara bağlıdır. Katener hattı ve pantograf, lokomotife elektrik iletimini sağlarken rayların seviyesi pantografın elektrik hattına düzenli temasına etki eder. Raylarda oluşabilecek çöküntüler katener hattı ile pantograf arasında ark (kıvılcım) oluşumuna neden olur. Katener hattının pantograf sınırları dışına çıkması, pantografta oluşabilecek çentikler ve ark oluşumu lokomotif üzerinden anlık izlenebilir. Bu çalışmada amacımız, bu üç ögeden kaynaklanabilecek hataları kameralı bir sistemle, gerçek zamanlı ve otomatik izleyerek tren yolculuğunun güvenli ve kesintisiz yapılmasına katkıda bulunmaktır.Yayın İfade tanıma için yüz anatomisine dayalı öznitelikler(IEEE, 2014-04-23) Benli, Kristin Surpuhi; Eskil, Mustafa TanerBu çalışmada yüz ifadesi tanıma için kas kuvvetlerine dayalı yeni öznitelikler öneriyoruz. Yüz üzerinde seçtiğimiz noktaların video üzerindeki hareketlerini izleyerek kas kuvvetlerini çözüyoruz. Yüz noktaları, ilk video çerçevesi üzerinde, kas kuvvet alanları üzerinde ilklendirilir. Bu noktalar optik akış algoritması ile izlenir. Noktaların devinimleri yüzün 3 boyutlu yönelimi ve yüz ifadesine dayalı bağıl devinimleri kestirmek için kullanılır. İnsan yüzünü yaylarla, artık-belirtilmiş doğrusal bir denklem sistemi olarak modelliyoruz. Bu sistemi yüz anatomisi kısıtı altında, kas kuvvetleri için çözüyoruz. Ardışık ileri seçim yaparak, temel yüz ifadeleri için en betimleyici kas kümesini belirliyoruz.Yayın El yazısı rakam sınıflandırması için gözetimsiz benzerlik tabanlı evrişimler(Institute of Electrical and Electronics Engineers Inc., 2022) Erkoç, Tuğba; Eskil, Mustafa TanerEffective training of filters in Convolutional Neural Networks (CNN) ensures their success. In order to achieve good classification results in CNNs, filters must be carefully initialized, trained and fine-tuned. We propose an unsupervised method that allows the discovery of filters from the given dataset in a single epoch without specifying the number of filters hyper-parameter in convolutional layers. Our proposed method gradually builds the convolutional layers by a discovery routine that extracts a number of features that adequately represent the complexity of the input domain. The discovered filters represent the patterns in the domain, so they do not require any initialization method or backpropagation training for fine tuning purposes. Our method achieves 99.03% accuracy on MNIST dataset without applying any data augmentation techniques.
