Yazar "Karacan, Merter Hami" seçeneğine göre listele

Listeleniyor 1 - 2 / 2
  • [ X ]
    Öğe
    A Deep Learning Model with Attention Mechanism for Dental Image Segmentation
    (Institute of Electrical and Electronics Engineers Inc., 2022) Karacan, Merter Hami; Yucebas, Sait Can
    Radiological imaging is a frequently used procedure in dental treatments. It provides information to the physician about areas of the tooth that cannot be seen from the outside. Digital radiological images can be processed with advanced computer vision techniques. In recent years, deep learning models with attention mechanisms which are mainly developed for natural language processing, have been applied to computer vision studies. In this study, three deep learning models, Vision Transformer (ViT), Segmenter and ConvNeXt were used on the segmentation of teeth and maxillomandibular region. The performance results were better than the U-Net and other benchmark models that are widely used in medical image segmentation. The IoU performance of the models, ConvNeXt, Segmenter and ViT, for the teeth segmentation was 90.77, 91.86, 92.63 respectively. In the maxillomandibular region segmentation IoU results of the models were 92.0, 95.56, 77.51. © 2022 IEEE.
  • [ X ]
    Öğe
    Öğrenci ve Akademisyenlerin E-Öğrenmeye Hazır Bulunuşlarının Daha Az Soru ile Sınıflandırılması
    (2023) Karacan, Merter Hami; Yücebaş, Sait Can
    Küresel boyuttaki KOVİD-19 pandemisinin etkisiyle birlikte tüm dünyada alışveriş, çalışma ve eğitim gibi konular “uzaktan” ve “elektronik” olarak daha fazla değerlendirilmeye başlandı. Mart 2020’deki Yüksek Öğretim Kurumu kararının ardından Türkiye’deki tüm üniversiteler eğitimlerine uzaktan devam etme kararı almıştır. Bu karar sonucunda akademisyenlerin ve öğrencilerin e-öğrenme sürecine ne kadar hazır olduklarını değerlendiren çalışmalar da hızla artmıştır. Bu çalışmada iki farklı üniversitedeki akademisyen ve öğrencilerin e-öğrenmeye ne kadar hazır olduklarının incelendiği bir anket çalışmasına makine öğrenmesi teknikleri uygulanmış, daha az soru ile aynı sonuçların elde edilmesi hedeflenmiştir. Soruların azaltılmasında özyinelemeli öznitelik eleme yöntemi kullanılmış, azaltılan sorular ile en yüksek Cronbach Alpha değerini CatBoost ve XGBoost yöntemleri sağlamıştır. Ek olarak, en yüksek sonuç tahmin performansını destek vektör makineleri sağlamıştır. Destek vektör makineleri, daha az soru ile akademisyen yanıtlarını %100, öğrencilerin yanıtlarını %97.48 doğrulukla tahmin etmiştir. Önerilen yaklaşım, anket sonuçlarında en az kayıpla uzun süren anket verisi toplama süresini azaltmada yardımcı olacaktır.