No abstract

Decision making for store locations is crucial for retail companies as the profit depends on the location. The key point for correct store location is profit approximation which is highly dependent on population of the corresponding region and hence volume of the residential area. Thus, estimating building volumes provides insight about the revenue if a new store is about to be opened there. Remote sensing through stereo/tri-stereo satellite images provides wide area coverage as well as adequate resolution for three dimensional reconstruction for volume estimation. We reconstruct 3D map of corresponding region with the help of semi-global matching and mask R-CNN algorithms for this purpose. Using the existing store data, we construct models for estimating the revenue based on surrounding building volumes. In order to choose the right location, the suitable utility model which calculates store revenues should be rigorously determined. Moreover, model parameters should be assessed as correctly as possible. Instead of using randomly generated parameters, we employ remote sensing, computer vision, and machine learning techniques which provide a novel way for evaluating new store locations.

Recently, program autotuning has become very popular especially in embedded systems, when we have limited resources such as computing power and memory where these systems run generally time-critical applications. Compiler optimization space gradually expands with the renewed compiler options and inclusion of new architectures. These advancements bring autotuning even more important position. In this paper, we introduced Flag Optimization with Genetic Algorithm (FOGA) as an autotuning solution for GCC flag optimization. FOGA has two main advantages over the other autotuning approaches: the first one is the hyperparameter tuning of the genetic algorithm (GA), the second one is the maximum iteration parameter to stop when no further improvement occurs. We demonstrated remarkable speedup in the execution time of C++ source codes with the help of optimization flags provided by FOGA when compared to the state of the art framework OpenTuner.

Özetçe -Ülkemizde meyve bahçelerinde Akdeniz meyve sinegi zararlısı ile mücadele çok önemlidir. Bu mücadelenin verilmemesi durumunda ciddi ekonomik kayıplar oluşmaktadır. Şu anda zararlının tespit edilebilmesi için meyve agaçlarının üzerine tuzaklar kurulmaktadır. Bu tuzakların düzenli aralıklarla çiftçiler tarafından kontrol edilmesi, meyvelerin ilaçlanma uygulamaları açısından önem arz etmektedir. Bu işlem çiftçilerin iş yükünü arttırmaktadır. Bu çalışmada, Akdeniz meyve sinegi zararlısı sayısını otomatik olarak tespit eden bir akıllı tuzak tasarımı önerilmiştir. Akıllı tuzak, Arm Cortex M7 işlemcisi barındıran STM 32F746GDISCOVERY geliştirme kartı kullanılarak gömülü sistem olarak gerçeklenmiştir. Önerilen sistem sayesinde belirlenen bölgede Akdeniz meyve sinegi zararlısının popülasyonu hakkında nicel veriler elde edilebilmektedir. Önerilen gömülü sistem üzerinde makine ögrenmesi yapılmaktadır. Bunun için gömülü sistem üzerinde çalışabilecek derin ögrenme temelli bir yapı kurgulanmıştır. Elde edilen ön sonuçlar önerilen sistemin Akdeniz meyve sinegi tespiti ve belirli bir alandaki sayısının otomatik olarak bulunması için kullanılabilecegini göstermektedir.Anahtar Kelimeler-Akıllı tuzak, Akdeniz meyve sinegi, gömülü sistem, derin ögrenme.