GPR B scan image analysis with deep learning methods

Özkaya, Umut; Melgani, Farid; Bejiga, Mesay Belete; Seyfi, Levent; Donelli, Massimo

doi:10.1016/j.measurement.2020.107770

Cited by 60 publications

(37 citation statements)

References 27 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…In the first step, we have considered the buried object detection as a sparse problem, that is, there is no target in most of positions to be scanned. Given that B‐scans indicate a flat pattern for ground clutter, while buried objects reveal curve‐like patterns [43], it seems that a CFAR method with sliding window, moving along the ground clutter, would effectively work. Assuming that the signal model is an additive clutter with Gaussian distribution [36], the signal model is considered as follows:

X = X_{t} + X_{c}

where

X_{c}

and

X_{t}

are the reflected signal from clutter and target, respectively.…”

Section: Clutter Cancellationmentioning

confidence: 99%

Robust Wiener filter‐based time gating method for detection of shallowly buried objects

Gharamohammadi

Behnia

Shokouhmand

et al. 2021

IET Signal Processing

View full text Add to dashboard Cite

A robust method for ultra-wideband (UWB) imaging of buried shallow objects based on time gating, Wiener filtering, as well as constant false alarm rate (CFAR) is proposed. Moreover, it is demonstrated that Wiener filtering can be used as a clutter removal tool in UWB signal applications. Basically, the problem with time gating method is that the length of the timing window for unknown targets cannot be determined accurately in advance. In fact, it is a blind methodology and some targets can be missed due to a lack of preknowledge about their depth. Imprecise window length selection leads to missing some parts of the target signals along with the clutter, which in turn increases the missed detection rate. Herein, an algorithm to tackle this problem is proposed by using a Wiener filter along with CFAR as a primary detector of the target positions employing average similarity function imaging. The time gating method is then built on top of the information achieved for the window length selection from the primary detection. The combination of the two steps provides better detection of shallowly buried objects with less missed detection of targets, besides having fewer artefacts in comparison to other methods. This is an open access article under the terms of the Creative Commons Attribution License, which permits use, distribution and reproduction in any medium, provided the original work is properly cited.

show abstract

X = X_{t} + X_{c}

where

X_{c}

and

X_{t}

are the reflected signal from clutter and target, respectively.…”

Section: Clutter Cancellationmentioning

confidence: 99%

Robust Wiener filter‐based time gating method for detection of shallowly buried objects

Gharamohammadi

Behnia

Shokouhmand

et al. 2021

IET Signal Processing

View full text Add to dashboard Cite

show abstract

“…Böylece, oluşturulan model, bilinmeyen örneklerin etiketini tahmin etmek için kullanılır [20]. Öksürük seslerinin sınıflandırılmasında Lojistik regresyon (LR), destek vektör makineleri (DVM), çok katmanlı algılayıcılar, evrişimli sinir ağları, uzun kısa süreli bellek (LSTM) ve artık tabanlı sinir ağı mimarisi [21], gibi makine ve derin öğrenme yöntemlerine dayalı birçok sınıflandırıcı kullanılmıştır. Bu çalışmada, AdaBoost-Ensemble, radyal tabanlı çekirdek fonksiyonlu DVM (RTF-DVM), Polinomiyal çekirdek fonksiyonlu DVM (Polinomiyal-DVM) ve Karar ağacı sınıflandırıcıları, öksürük ve hapşırma seslerini diğer seslerden ayrıt etmek için kullanıldı.…”

Section: Sınıflandırıcılarunclassified

Solunum Hastalıkları ile İlişkili Semptom Seslerinin Sınıflandırılması

Melek¹

2021

European Journal of Science and Technology

View full text Add to dashboard Cite

ÖzCovid-19 gibi solunum yolu enfeksiyonlarının erken tespiti, hastalığın daha kolay tedavisine ve hastanın daha rahat bir süre geçirmesine yol açarak ciddi komplikasyon olasılığını azaltabilir. Öksürme ve hapşırma gibi solunum seslerinin sıklığı, şiddeti ve türü (kuru veya balgamlı), hastalığın teşhisi, tedavisi ve davranışlarının tespitinde tıp uzmanları için çıkarılabilen zengin bilgiler taşımaktadır. Bunun için, makine veya derin öğrenimine dayalı otomatik yaklaşımların geliştirilmesi oldukça önemlidir. Center for Open Science (OSFHOME), 2020 yılında güncellediği veri küme üzerine, bu alanda çalışan araştırmacıları, ses kayıtlarını kullanarak hastalık seslerinin otomatik algılanması için makine öğrenimi modelleri oluşturmaya davet etti. Veri seti, "Pfizer Digital Medicine Challenge" için oluşturulmuştur ve amacı öksürme ve hapşırma gibi seslerinin tespiti için makine öğrenimi modellerinin geliştirilmesidir. Veri seti üç parçaya ayrılmıştır; eğitim, doğrulama ve test kümeleri. Sunulan çalışmada, bu veri seti üzerine yeni bir makine öğrenimi sistemi önerildi. Eğitim, doğrulama ve test örneklerinden öznitelikler elde edildikten sonra, dört farklı sınıflandırıcının parametrelerini hesaplamak için doğrulama veri kümesi kullanıldı ve son aşamada test veri kümesi üzerine sınıflandırma gerçekleştirildi. Elde edilen sonuçlara göre, radyal tabanlı çekirdek fonksiyonlu destek vektör makine (DVM) sınıflandırıcısı solunum seslerini diğer seslere karşı, %76 civarında bir doğruluk oranıyla diğer sınıflandırıcılara göre daha başarılı sınıflandırdı.

show abstract

“…Metin sınıflandırma alanının bir alt dalı olan metinlerde duygu analizi konusunda yaptıkları çalışmada, İngilizce Twitter mesajlarını (tweet), olumlu (positive), tarafsız (neutral) ya da olumsuz (negative) olmak üzere3 adet sınıf ile sınıflandırmaya çalışmışlardır. Öznitelik vektörü oluşturulurken 1-gram (unigram), 2-gram (bigram) ve POS öznitelik temsili yöntemleri kullanılırken, sınıflandırıcı olarak NaiveBayes, Maksimum Entropi ve Destek Vektör Makineleri kullanılmıştır [4].…”

Section: Materyal Ve Metotunclassified

“…Terim ağırlıklandırma bir terimin döküman içerisinde ne kadar önemli olduğunu belirtmek amacıyla oluşturulan terim vektöründe her bir terim için ağırlık belirleme işlemidir [4]. Literatürde terim ağırlıklandırma ile ilgili çalışmalar mevcuttur.…”

Section: Deneysel Süreçunclassified

Çalışanların Çevrimiçi Değerlendirmelerinin İş Tatmini Faktörlerini Belirlemeye ve Analiz Etmeye Yönelik Olarak Makine Öğrenmesine Dayalı Analizi

Özdemir¹,

Onan²,

Ergene³

2021

European Journal of Science and Technology

View full text Add to dashboard Cite

ÖzYapay zeka teknolojilerinden biri olan makine öğrenmesi teknikleri günümüzde yaygın olarak kullanılmaktadır. Makine öğrenmesi teknikleri ile hızlı ve güvenilir şekilde tahminlemeler yapılabilmektedir. Makine öğrenmesine ait birçok algoritma mevcut olup, problemin kaynağına ve veri sayısına göre hangi algoritmanın kullanılacağına karar verilmektedir. Farklı algoritmalar, kullanılan veriye göre özgüllük ve duyarlılık değerleri üretmektedir. Kullanılan veriye göre bu değerler göz önünde bulundurularak farklı algoritmalar arasından en iyi uyum sağlayan algoritma tercih edilerek sonuç iyileştirilir ve zaman maliyeti azaltılır. Metin madenciliği son yıllarda hızla gelişen bir alan haline geldi ve bu alandaki uygulamalar yapay zeka alanındaki uygulamaların büyük bir bölümünü oluşturmaktadır. İnsan kaynakları departmanlarının işletme yöneticileri çeşitli konularda kararlar almaktadırlar. Metinsel veriler de dahil olmak üzere daha fazla veri oluşturulup biriktikçe işletme yöneticileri şirketleri ile ilgili karar verirken metin madenciliğini kullanarak bu tür verilerden uygulanabilir bilgi elde edebilirler. Bu çalışma iş tatmini faktörlerini belirlemeye ve analiz etmeye yönelik olarak çalışanların çevrimiçi değerlendirmelerinin makine öğrenmesine dayalı analizini elde etmek amacıyla gerçekleştirilen çalışmalar hakkında bilgi vermektedir. Çalışanların şirketleri hakkında yaptıkları yorumlardan 1 ve 2 puan olanlar negatif, 3,4 ve 5 puanlar pozitif olarak değerlendirilmiş olup toplamda 18 firmadaki 2321 pozitif yorum ve 702 negatif yorum ele alınarak makine öğrenmesine dayalı analizleri gerçekleştirilmiştir. Metin belgesindeki özniteliklerin belirlenmesinde terim varlığı, terim sıklığı gibi temel temsil yöntemleri ve 1-gram, 2-gram, 3-gram modelleri dikkate alınarak incelenen veri seti için farklı temsil yöntemlerinin doğru sınıflandırma başarımları, F-ölçütü, duyarlılık, hassasiyet ölçütleri 5 temel sınıflandırıcı aracılığıyla karşılaştırmalı olarak değerlendirilmiştir.

show abstract

GPR B scan image analysis with deep learning methods

Cited by 60 publications

References 27 publications

Robust Wiener filter‐based time gating method for detection of shallowly buried objects

Robust Wiener filter‐based time gating method for detection of shallowly buried objects

Solunum Hastalıkları ile İlişkili Semptom Seslerinin Sınıflandırılması

Çalışanların Çevrimiçi Değerlendirmelerinin İş Tatmini Faktörlerini Belirlemeye ve Analiz Etmeye Yönelik Olarak Makine Öğrenmesine Dayalı Analizi

Contact Info

Product

Resources

About