SavedAdd your journal

Journals / Electronic Letters on Science and Engineering / 2021 / Cilt: 17 - Sayı: 2

Sectoral Application Analysis of Studies Made with Deep Learning Models

Merve YILMAZ
Hasan ŞAHİN
Aytaç YILDIZ
Pages
126–140
Publication Date
2021-12-31
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Çalışmanın son kısmında, incelenen makalelerin amaçları, kullandıkları yöntemler, literatüre olan katkıları ve elde ettikleri sonuçları içeren özet bir tablo sunularak araştırmacıların yapacakları çalışmalarda kullanacakları yöntemlere ilişkin ön bilgiler elde etmeleri sağlanmıştır.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Derin öğrenme, yapay sinir ağları algoritmalarını kullanarak çok katmanlı mimarilerde çok boyutlu veriler ile çalışma imkânı sağlayan, makine öğrenmesi alanının bir alt dalıdır.
📊
Key Findings & Data:Derin öğrenme metotları sayesinde doğal dil işleme, görüntü işleme, görsel nesne tespiti, ilaç keşfi, vb. alanlarda ciddi bir şekilde başarım oranı artmıştır.
💡
Conclusion & Impact:Çalışmanın son kısmında, incelenen makalelerin amaçları, kullandıkları yöntemler, literatüre olan katkıları ve elde ettikleri sonuçları içeren özet bir tablo sunularak araştırmacıların yapacakları çalışmalarda kullanacakları yöntemlere ilişkin ön bilgiler elde etmeleri sağlanmıştır.
🔬Design:Review & Systematic Survey
📍Scope:Comprehensive Sample
⚙️Variables:Artificial intelligence · Deep learning · Image processing

Abstract

Derin öğrenme, yapay sinir ağları algoritmalarını kullanarak çok katmanlı mimarilerde çok boyutlu veriler ile çalışma imkânı sağlayan, makine öğrenmesi alanının bir alt dalıdır. Derin öğrenme metotları sayesinde doğal dil işleme, görüntü işleme, görsel nesne tespiti, ilaç keşfi, vb. alanlarda ciddi bir şekilde başarım oranı artmıştır. Derin öğrenme, geri yayılım algoritmasını kullanıp çok boyutlu veri setlerinin karmaşık yapısını keşfederek insan düzeyine yakın görüntü sınıflandırması, insan düzeyinde konuşma tanıma, metin okuma ve seslendirme gibi konularda araştırmacılara kolaylıklar sağlamaktadır. Bu özelliklerinden dolayı derin öğrenme ve görüntü işleme yöntemleri günümüzde birçok alanda birçok problemin çözümünde hızlı bir şekilde kullanılmaya başlanmıştır. Bu çalışmada ilk olarak yapay zekâ ve derin öğrenmeye ait özet bilgiler verilmiştir. Daha sonra, derin öğrenme yöntemleri kullanılarak yapılan çalışmalar incelenerek derin öğrenmenin hangi alana nasıl uygulandığına dair somut örnekler verilmiştir. Çalışmanın son kısmında, incelenen makalelerin amaçları, kullandıkları yöntemler, literatüre olan katkıları ve elde ettikleri sonuçları içeren özet bir tablo sunularak araştırmacıların yapacakları çalışmalarda kullanacakları yöntemlere ilişkin ön bilgiler elde etmeleri sağlanmıştır.

🔖

Cite This Article

YILMAZ, M., ŞAHİN, H., YILDIZ, A. (2021). Sectoral Application Analysis of Studies Made with Deep Learning Models. Electronic Letters on Science and Engineering, Cilt: 17 - Sayı: 2, 126–140. https://ajindex.com/articles/386225

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (9)

  1. Balbozan, F.İ. (2011). Kameralı lazer tarama sistemi ile nesne sınıflandırması ve uygulamaları (Doctoral dissertation, DEÜ Fen Bilimleri Enstitüsü), DEÜ Fen Bilimleri Enstitüsü. Brunetti, A., Buongiorno, D., Trotta, G. F., & Bevilacqua, V. (2018). Computer vision and deep learning techniques for pedestrian detection and tracking: A survey. Neurocomputing, 300, 17-33.
  2. Carrell, S., & Atapour-Abarghouei, A. (2021). Identification of Driver Phone Usage Violations via State-of-the-Art Object Detection with Tracking. arXiv preprint arXiv:2109.02119. Chen, S. H., Wang, C. W., Tai, I. H., Weng, K. P., Chen, Y. H., & Hsieh, K. S. (2021). Modified YOLOv4-DenseNet Algorithm for Detection of Ventricular Septal Defects in Ultrasound Images. International Journal Of Interactive Multimedia And Artificial Intelligence, 1-8.
  3. Gupta, A., Manda, V. K., & Seraphim, B. I. (2021). Lung Cancer Detection Using Image Processing and Convolutional Neural Network. Annals of the Romanian Society for Cell Biology, 3044-3048.
  4. Hacıefendioğlu, K., Başağa, H. B., & Demir, G. (2021). Automatic detection of earthquake-induced ground failure effects through Faster R-CNN deep learning-based object detection using satellite images. Natural Hazards, 105(1), 383-403.
  5. Han, F., Yao, J., Zhu, H., & Wang, C. (2020). Underwater image processing and object detection based on deep CNN method. Journal of Sensors, 2020.
  6. Hoang, N. D. (2020). Image Processing-Based Spall Object Detection Using Gabor Filter, Texture Analysis, and Adaptive Moment Estimation (Adam) Optimized Logistic Regression Models. Advances in Civil Engineering, 2020.
  7. Hu, Y., Guo, Y., Wang, Y., Yu, J., Li, J., Zhou, S., & Chang, C. (2019). Automatic tumor segmentation in breast ultrasound images using a dilated fully convolutional network combined with an active contour model. Medical physics, 46(1), 215-228.
  8. Humm, B. G. (2016). Applied Artificial Intelligence An Engineering Approach. Jiang, Q., Tan, D., Li, Y., Ji, S., Cai, C., & Zheng, Q. (2020). Object detection and classification of metal polishing shaft surface defects based on convolutional neural network deep learning. Applied Sciences, 10(1), 87. Jin, X., Che, J., & Chen, Y. (2021). Weed Identification Using Deep Learning and Image Processing in Vegetable Plantation. IEEE Access, 9, 10940-10950.
  9. Kako, S. I., Morita, S., & Taneda, T. (2020). Estimation of plastic marine debris volumes on beaches using unmanned aerial vehicles and image processing based on deep learning. Marine Pollut