Skip to main content
Sitenizle ilgili anlık, acil, geçici ve önemli bilgileri kullanıcılara duyurabilmenizi sağlar.
Millileştirilmiş. Uluslararası Pardus Linux nedir ?

Deep-Kod Genç Nesil Bilgi Paylaşım Platformu'a Hoş geldiniz!

Merhaba, Kardeşim! Seni aramızda görmek güzel ama sitemizden daha iyi yararlanabilmen için "GİRİŞ" yapmalı ya da "KAYIT" olmalısın.Bilgi güvenliği,emek hırsızlığının önüne geçmek adına sende bir teşekkür edebilirsin.İlgi ve alakandan dolayı Deep-Kod Genç Nesil Bilgi Paylaşım Platformu yönetimi olarak teşekkür ederiz.[GENÇ NESİL BİLGİ PAYLAŞIM PLATFORMU]

Giriş ya da Kayıt

(Sadece kayıtsız kullanıcılar tarafından görüntülenebilir.)

11okY.png

Bütün büyük işler, küçük başlangıçlarla olur.
Her şeyin mühim noktası, başlangıçtır.

AZERBAYCAN
TÜRKİSTAN
KIRGIZİSTAN
TÜM TÜRK MİLLLETLERİ C*

“Türk Telekom Siber Güvenlik”

Türk Telekom’dan Türkiye’nin En Büyük Siber Güvenlik Merkezi

Haberi Görüntüle 09.01.2019

"STM" Siber Güvenlik

STM, Yeni siber tehdit durum raporunu açıkladı.

Haberi Görüntüle 09.01.2019

Yapay Zeka dijital görüntü algılayıcı

237
79
1
Konuyu Oyla:
  • Derecelendirme: 0/5 - 0 oy
  • 1
  • 2
  • 3
  • 4
  • 5

Yapay Zeka dijital görüntü algılayıcı
#1
Derin Öğrenme ve Görüntü Tanıma

          Dijital görüntüler, hepimizin bildiği gibi piksellerden oluşmaktadır. Her pikselin bir sayısal değeri bulunmaktadır. Bu piksel değerleri görüntünün türüne göre değişmektedir. Örneğin; renkli bir dijital görüntüde bir pikselin üç farklı sayısal değeri bulunmaktadır. Kırmızı, yeşil ve mavi renklerine ait toplamda üç sayısal değer bulunmaktadır. Bunun yanı sıra gri tonlu (grayscale) dijital görüntülerin sadece bir sayısal değeri bulunmaktadır. Dijital görüntü dosyaları bu sayısal değerleri matris biçiminde tutar. Örneğin; 64×64 boyutundaki bir fotoğrafı 64 satır 64 sütundan oluşan bir matrise benzetebiliriz.


gray.png?w=640



Yapay zekâ, bu sayısal değerleri güçlü algoritmalarda kullanarak tanımayla ilgilenmektedir. Günümüzde bu algoritmaların en güçlüsü ise derin öğrenme mimarisidir. Derin öğrenme mimarisi insan beyni gibi bir karar mekanizmasına sahiptir. Derin öğrenme mimarisi girilen dijital materyalin öncelikle ana hatlarını (çizgiler, sınırlar, renk) analiz eder. Bu analizi tamamladıktan sonra ortaya çıkan sonuçların kombinasyonlarıyla nesne modelleme yapar.

013.png?w=640&h=375

Figür-2: Derin Öğrenme Görüntü Tanıma

Görüntü tanıma günümüzde birçok alanda kullanılmakta ve kullanım alanı gittikçe genişlemektedir. Genel kullanım alanları şunlardır:
  • El yazısını okuyup harf ve kelimeleri sınıflandırma

  • Parmak izini okuyup analiz etme

  • Yüz tanıma sistemleriyle güvenlik sağlama

  • Uydu görüntüleriyle çevre kirliliğini tespit etme

  • Uydu görüntüleriyle yerleşim alanlarını tespit etme

  • Balistik incelemelerinde silahı tespit etme

  • Farklı objeleri tespit etme

  • Otomatik savunma sistemleriyle savunma sağlama

  • DNA kimliklendirme

  • Fabrika üretim hata denetim sistemleri

  • Çeşitli canlı türlerini sınıflandırma
          ImageNet araştırma gruplarına yönelik görüntü veri tabanı sistemi oluşturmuştur. Bu sistem bünyesinde yaklaşık 14 milyon örnek barındırmaktadır. ImageNet derin öğrenme mimarisini her yıl geliştirerek tanıma sistemlerini iyileştirmiştir. Bünyesinde barındırdığı örnekleri derin mimariyi kullanarak sınıflandırmıştır
İmza @Mücahit
Mühendis Yolunda
Cevapla

İçeriği görüntüleme izniniz bulunmuyor!

Üzgünüz, içeriği görüntüleyebilmek için giriş yapmalı ya da kayıt olmalısınız.

Giriş ya da Kayıt

RE: Yapay Zeka dijital görüntü algılayıcı
#2
paylaşım için teşekkürler. görüntü işlemeyi yapay zeka ile değil de matrixler kullanarak bir derste görmüştük. aslında bunu yapmanın farklı farklı yolları var neural network bu işin en temeli tabi.

bizim yaptığımız şey ise şöyleydi, matlab ile yapmıştık. bir görüntü örneğin 500x500 pixelden oluşuyor ise,
tüm pixelleri grid graph'a dolduruyorduk. bu graphın node'ları her bir pixel oluyordu. edge'leri ile pixellerin arasındaki renk farkları oluyodu.
yani nodelar arasındaki uzaklıklar (sıkılıklar) (yaylar) renk farkları oluyordu. daha sonra görüntüyü dört bir köşesinden pinliyorduk

pinlediğimiz yerler sabit kalıyordu ve görüntüyü sallandırdığımızda bu yay sabitleri az olanlar yani sıkı olanlar yanyana kalıyordu.
sıkılığı çok olanlarda tabiki ayrışıyordu. bu sayede görüntünün içinden aynı renkte olan örneğin bir yüzü çıkarabiliyorduk.
Cevapla

İçeriği görüntüleme izniniz bulunmuyor!

Üzgünüz, içeriği görüntüleyebilmek için giriş yapmalı ya da kayıt olmalısınız.

Giriş ya da Kayıt


Yorum yapma izniniz bulunmuyor!

Üzgünüz, yorum yapabilmek için giriş yapmalı ya da kayıt olmalısınız.

ya da

Kayıt ol!

Topluluğumuzda yeni bir hesap oluşturun.

Kayıt


Konu ile Alakalı Benzer Konular
Konular Yazar Yorumlar Okunma Son Yorum
  Yapay Sinirsel Ağlar Mücahit 0 52 01-04-2019, Saat: 13:55
Son Yorum: Mücahit

Hızlı Menü:


Konuyu Okuyanlar: 1 Ziyaretçi