SavedAdd your journal

Journals / International Periodical of Recent Technologies in Applied Engineering / 2022 / Cilt: 3 - Sayı: 1

DERİN ÖĞRENME YÖNTEMLERİ İLE ŞÜPHELİ DAVRANIŞ TESPİTİ

Duygu ÇALIŞKAN
Önder DEMİR
Pages
28–43
Publication Date
2022-03-31
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)

Evrişimsel sinir ağı ağırlıkları farklı sistemlerde kullanılmak üzere elde edilmiş ve proaktif model gerçeklenmiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Hızla gelişen teknoloji ile birlikte askeri, güvenlik ve bilişim sektöründe bilgi güvenliği sorunları meydana gelmiş bu sorunların çözümü için donanımsal ve yazılımsal yöntemler geliştirilmiştir.
📊
Key Findings & Data:Gerçekleştirilen tez çalışması 3 adımdan oluşmaktadır.
💡
Conclusion & Impact:Evrişimsel sinir ağı ağırlıkları farklı sistemlerde kullanılmak üzere elde edilmiş ve proaktif model gerçeklenmiştir.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Derin Öğrenme · YOLO · Davranış Tespiti

Özet

Hızla gelişen teknoloji ile birlikte askeri, güvenlik ve bilişim sektöründe bilgi güvenliği sorunları meydana gelmiş bu sorunların çözümü için donanımsal ve yazılımsal yöntemler geliştirilmiştir. Görüntü işleme teknikleri yardımıyla bu güvenlik sorununa görüntüden şüpheli davranış tespiti ile gerçek zamanlı bir çözüm getirilmeye çalışılmaktadır. Görüntüden nesne ve pozisyon tanımlama, davranış belirleme ve derin öğrenme üzerine yapılmış birçok çalışma mevcuttur. Derin öğrenme, insanın düşünce yapısını veri setlerindeki örüntüler ile deneyimleyerek bilgisayara öğreten, yapay zekâ kavramının içinde barındırdığı makine öğrenmesi konusunun özel bir halidir. Makine öğrenme algoritmaları, belirlenmiş bir denkleme dayanmaksızın doğrudan bilgi verilerinden hesaplama yöntemlerini kullanarak öğrenir ve modellenirler. Derin öğrenme, yüz tanıma, plaka tanıma, nesne algılama, insansız hava araçlarında nesne tespiti, hareket algılama, otonom sürüş teknolojileri ile şerit tespiti gibi birçok gelişmiş sürücü yardım teknolojisi gibi problemleri çözmek için kullanılır. YOLO( You Only Look Once) algoritması, konvolüsyonel sinir ağlarını (CNN) kullanarak nesne tespiti yapan bir derin öğrenme algoritmasıdır. YOLO, konvolüsyonel sinir ağları ve benzerleri algoritmalara göre daha yüksek performansa sahip bir algoritma olduğundan; çalışma kapsamında gerçek zamanlı tespite en yakın performans elde edilmek istendiğinden, bu çalışmada YOLO algoritması ile çalışılmıştır. Gerçekleştirilen tez çalışması 3 adımdan oluşmaktadır. Birinci adımda 1116 etiketli görsel ile Marmara Üniversitesi Kriminal Davranış/Nesne Veri Seti(MÜKDN) oluşturulmuş, ikinci adımda derin öğrenme için kullanılan evrişimsel sinir ağı YOLOv4 modeli tasarımı ve konfigürasyonu yapılmıştır. Son olarak üçüncü adımda sistem eğitilmiştir. Evrişimsel sinir ağı ağırlıkları farklı sistemlerde kullanılmak üzere elde edilmiş ve proaktif model gerçeklenmiştir.

🔖

Cite This Article

ÇALIŞKAN, D., DEMİR, Ö. (2022). DERİN ÖĞRENME YÖNTEMLERİ İLE ŞÜPHELİ DAVRANIŞ TESPİTİ. International Periodical of Recent Technologies in Applied Engineering, Cilt: 3 - Sayı: 1, 28–43. https://ajindex.com/articles/833272

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (11)

  1. Radu, R. G. (2012). The monopoly of violence in the cyber space: Challenges of cyber security. In Power in the 21st Century (pp. 137-150).
  2. Springer, Berlin, Heidelberg. Bıçakcı, S. (2014). NATO’nun gelişen tehdit algısı: 21. yüzyılda siber güvenlik. Uluslararası İlişkiler Dergisi, 10(40), 100-130.
  3. Lecun, Y., Bottou, L., Bengio, Y., & Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11), 2278–2324. https://doi.org/10.1109/5.726791
  4. Maghdid, H., Asaad, A. T., Ghafoor, K. Z. G., Sadiq, A. S., Mirjalili, S., & Khan, M. K. K. Diagnosing COVID-19 pneumonia from x-ray and CT images using deep learning and transfer learning algorithms, 26. https://doi.org/10.1117/12.2588672
  5. Hassan, M., Ali, S., Alquhayz, H., & Safdar, K. (2020). Developing intelligent medical image modality classification system using deep transfer learning and LDA. Scientific Reports, 10(1), 12868. https://doi.org/10.1038/s41598-020-69813-2
  6. Jaouedi, N., Boujnah, N., & Bouhlel, M. S. (2020). A new hybrid deep learning model for human action recognition. Journal of King Saud University - Computer and Information Sciences, 32(4), 447–453. https://doi.org/10.1016/j.jksuci.2019.09.004
  7. T.S., A., & Guddeti, R. M. R. (2020). Affective database for e-learning and classroom environments using Indian students’ faces, hand gestures and body postures. Future Generation Computer Systems, 108, 334–348. https://doi.org/10.1016/j.future.2020.02.075
  8. Jammalamadaka, N., Zisserman, A., & C.V., J. (2017). Human pose search using deep networks. Image and Vision Computing, 59, 31–43. https://doi.org/10.1016/j.imavis.2016.12.002
  9. Luvizon, D. C., Tabia, H., & Picard, D. (2019). Human pose regression by combining indirect part detection and contextual information. Computers & Graphics, 85, 15–22. https://doi.org/10.1016/j.cag.2019.09.002
  10. Moez Baccouche, Franck Mamalet, Christian Wolf, Christophe Garcia, and Atilla Baskurt. LNCS 7065 - Sequential Deep Learning for Human Action Recognition. Laptev, I., Marszalek, M., Schmid, C., & Rozenfeld, B. Learning realistic human actions from movies, 1–8. https://doi.org/10.1109/CVPR.2008.4587756
  11. Dollar, P., Rabaud, V., Cottrell, G., & Belongie, S. Behavior Recognition via Sparse Spatio-Temporal Features, 65–72. https://doi.org/10.1109/VSPETS.2005.1570899 Ming-Yu Chen and Alexander Hauptmann. MoSIFT: Recognizing Human Actions in Surveillance Videos. Liu, J., & Shah, M. Learning human actions via information maximization, 1–8. https: