Cengiz Hark

Indoor scene recognition is a computer vision task that identifies various indoor environments, such as offices, libraries, kitchens, and restaurants. This research area is particularly significant for applications in robotics, security, and assistance for individuals with disabilities, as it enables the categorization of spaces and the provision of contextual information. Convolutional Neural Networks (CNNs) are commonly employed in this field. While CNNs perform well in outdoor scene recognition by focusing on global features such as mountains and skies, they often struggle with indoor scenes, where local features like furniture and objects are more critical. In this study, the “MIT 67 Indoor Scene” dataset is used to extract and combine features from both a CNN and a text-based model utilizing object recognition outputs, resulting in a two-channel hybrid model. The experimental results demonstrate that this hybrid approach, which integrates natural language processing and image processing techniques, improves the test accuracy of the image processing model by 8.3%, achieving a notable success rate. Furthermore, this study offers contributions to new application areas in remote sensing, particularly in indoor scene understanding and indoor mapping.

Large Language Models (LLMs) have shown a strong performance across various tasks but still face challenges in automatic text summarization. While they are effective in capturing semantic patterns from large corpora, they typically lack mechanisms for encoding structural relationships between sentences or paragraphs. Their high hardware requirements and limited analysis as to processing efficiency further constrain their applicability. This paper proposes a framework employing the Graph Independent Set approach to extract the essence of textual graphs and address the limitations of LLMs. The framework encapsulates nodes and relations into structural graphs generated through Natural Language Processing (NLP) techniques based on the Maximum Independent Set (MIS) theory. The incorporation of graph-derived structural features enables more semantically cohesive and accurate summarization outcomes. Experiments on the Document Understanding Conference (DUC) and Cable News Network (CNN)/DailyMail datasets are conducted with different summary lengths to evaluate the performance of the framework. The proposed method provides up to a 41.05% (Recall-Oriented Understudy for Gisting Evaluation, ROUGE-2 F1) increase in summary quality and a 60.71% improvement in response times on models such as XLNet, Pegasus, and DistilBERT. The proposed framework enables more informative and concise summaries by embedding structural relationships into LLM-driven semantic representations, while reducing computational costs. In this study, we explore whether integrating MIS-based graph filtering with LLMs significantly enhances both the accuracy and efficiency of extractive text summarization.

Günümüzde, forumlar, bloglar ve sosyal medyanın geniş kesimler tarafından yoğun bir şekilde kullanılması nedeniyle bireyler, düşüncelerini, fikirlerini ve duygularını bu platformlar üzerinden paylaşmaya başlamıştır. Sosyal medya kullanımındaki artışla birlikte, araştırmacılar da duygu analizi alanında yaptıkları çalışmaları artırmışlardır. Veri hacmindeki hızlı artışla birlikte, bu verilerin etkili bir şekilde yönetilmesi ve içinden anlamlı bilgilerin çıkarılması gerekliliği ortaya çıkmıştır. Bu bağlamda, akıllı hesaplama yöntemlerinin bu verileri analiz etmesi son derece kritik bir öneme sahiptir. Duygu analizi, verilere uygulanan bir dizi süreçle, anlamlı bilgi elde etmek amacıyla gerçekleştirilen bir yöntemdir. Bu araştırma çerçevesinde, bir metin içinde bulunan düşünce içeren verinin sistemli bir şekilde incelenmesi ve metnin duygu kategorisi ile duygu polaritesinin belirlenmesi amaçlanmıştır. Belirli e-ticaret sitelerinde yer alan ürünler ile ilgili yapılan yorumların yer aldığı bir veri seti kullanılmıştır. Toplanan bu veri setinde CountVectorizer ve TF-IDF Vectorizer yöntemleri ile özellik çıkarımları gerçekleştirilmiş ve 2 farklı etiketlemeyi (Pozitif Cümle-Negatif Cümle) doğru bir şekilde yapması amaçlanmıştır. Bu eğitim sırasında Lojistik Regresyon, Naive Bayes, Random Forests ve XGBoost makine öğrenmesi yöntemleri kullanılarak karşılaştırmalı sonuçlar rapor edilmiştir. ve çıkan sonuçların başarım değerleri karşılaştırılmıştır.

The spine is composed of pieces of bone called vertebrae that lie between the skull and the tailbone. Various medical conditions can affect the spine. In this study, two types of degenerative diseases, scoliosis, and spondylolisthesis, were studied. Deep AI architectures have recently enabled further disease diagnosis innovation using medical images. Various traditional and deep learning studies use medical images for disease diagnosis in the literature. This study aims to classify spine X-ray images according to three possible conditions (Normal, Scoliosis, and Spondylolisthesis) and to exploit the potential of these X-ray images to detect possible diseases occurring in the spine. The performance of deep learning models and optimization algorithms used in this process was evaluated. The study uses a data set created and/or analyzed during an existing study. This data set consists of images that belong to three different classes: scoliosis, spondylolisthesis, or x-ray images of normal (i.e. healthy) individuals. A total of 338 spine X-ray images, 188 scoliosis images, 79 spondylolisthesis images, and 71 normal images. Six different deep-learning architectures have been used in the study. These architectures are Alexnet, GoogLeNet, ResNet-18, ResNet-50, ResNet-101, and EfficientNet-bo. While working on these deep architectures, each model has been evaluated using different optimization algorithms. These optimization algorithms are RmsProp, SGDM, and Adam. According to the classification processes, the deep learning model with the highest accuracy value was Alexnet, and the optimization algorithm used with it, Sgdm (99.01%), and the training time lasted 38 seconds. According to the classification processes, the deep learning model with the fastest completion time (30 seconds) was Alexnet and the optimization algorithm used with it was RmsProp. An accuracy rate of 98.02% has been obtained in the training of this model.

Dijital haberlerin artan miktarları, istenilen türdeki haberlere doğru ve hızlı bir şekilde erişim için haber metinlerinin kategorilere ayrılmasını gerektirmektedir. Bu çalışmada, ön-eğitimli kelime gömülmelerinin, Uzun Ömürlü Kısa Dönem Bellek Ağı (Long-Short Term Memory, LSTM) ve Evrişimsel Sinir Ağları (Convolutional Neural Network, CNN) gibi derin öğrenme modelleri üzerindeki etkisi araştırılmaktadır. Global Vektör (GloVe) kelime gömülmelerinden alınan bağlamsal temsilleri girdi olarak alan LSTM ve CNN ağları kullanılarak haber metinleri sınıflandırılmıştır. Kapsamlı ve karşılaştırmalı araştırmaların eksikliği nedeniyle GloVe gömme katmanı tarafından sağlanan bağlamsal temsiller farklı sınıflandırıcılar ve veri setleri üzerinde test edilmektedir. Deneysel süreçler boyunca Türkçe Haber başlıklarından oluşan Turkish Headlines veri seti ve BBC News Classification veri setleri kullanılmıştır. Kelime gömülmelerinin ağlar üzerindeki etkisini ortaya koymak için deneysel süreçler aynı parametreler ile tekrarlanmıştır. LSTM modelinde Glove kelime gömülme yöntemi kullanıldığında modelin başarısının %81’den %91’e çıktığı gözlemlenmektedir. CNN modelinde ise Glove kelime gömülmelerinin modelin başarısının olumlu yansımadığı görülmektedir.

Despite space, time, and financial limitations, people who want to receive education participate intensively in online education programs that have emerged with the development of technology. With the Covid-19 outbreak, this interest has increased exponentially. In today's societies, where online education, which is preferred for different reasons, has become essential, examining the factors affecting success in online learning is a very important research topic. The study examined the level of adaptation to online education in terms of demographic variables. Experimental studies and necessary analyzes were carried out on the open-access ‘Students Adaptability Level in Online Education’ dataset. The results obtained using association rules, among the most widely used data mining techniques, have provided remarkable results regarding factors affecting success in distance education. It is thought that the study and the reported results will be a guide in creating education plans suitable for the demographic characteristics of the students enrolled in the online education program.

Artan internet ve sosyal medya kullanımı ile sosyal medya ve online haber siteleri bilgi içeriklerini oluşturmada ve yaymada önemli kaynaklar haline gelmişlerdir. Ancak online bilginin miktarı ve üretilme hızından ötürü insan eliyle doğrulanması mümkün olamamaktadır. Dahası rejimler, hükümetler ve etnik kökenler denetimden uzak sahte haberlerin yıkıcı etkisine maruz kalmakta ve bu olumsuz etkilerin minimuma indirgenmesi için yeni teknolojilere ihtiyaç duyulmaktadır. Son yıllarda farklı doğal dil işleme görevlerinde ön-eğitimli modeller başarı ile kullanılmaktadır. Derin sinir ağı ve kavramsal kelime gömülmelerinin birlikte kullanılması durumunda hangi sınıflandırıcının daha verimli olduğu hususu yeterince net değildir. Bu noktada kapsamlı ve karşılaştırmalı çalışmanın eksikliğinden ötürü Global Vektörler (GloVe) gömülme katmanının sağladığı bağlamsal temsiller ile dört farklı sınıflandırıcı deneysel sürece dahil edilmiştir. GLoVe katmanından sonra Çok Katmanlı Algılayıcı (Multi-Layer Perceptron, MLP), Uzun Ömürlü Kısa Dönem Bellek Ağı (Long-Short Term Memory, LSTM), Yinelemeli Sinir Ağları (Recurrent Neural Network, RNN) ve Evrişimsel Sinir ağları kullanılmıştır (Convolutional Neural Network, CNN). Deneysel çalışmalarda açık erişimli COVID-19 isimli sahte haber tespit veri seti kullanılmış, başarımı çeşitli performans metrikleri ile hesaplanmıştır. En yüksek başarım %91 ile LSTM tarafından rapor edilmiştir. Ön-eğitimli kelime gömülmelerinin farklı sinirsel ağlardan bağımsız olarak yüksek bir hassasiyetle sahte haberlerin tespitinde kullanılabileceğini gösteren umut verici sonuçlar sunulmuştur.

Automatic text summarisation is obtaining a subset that accurately represents the main text. A quality summary should contain the maximum amount of information while avoiding redundant information. Redundancy is a severe deficiency that causes unnecessary repetition of information within sentences and should not occur in summarisation studies. Although many optimisation-based text summarisation methods have been proposed in recent years, there exists a lack of research on the simultaneous optimisation of scope and redundancy. In this context, this study presents an approach in which maximum coverage and minimum redundancy, which form the two key features of a rich summary, are modelled as optimisation targets. In optimisation-based text summarisation studies, different conflicting objectives are generally weighted or formulated and transformed into single-objective problems. However, this transformation can directly affect the quality of the solution. In this study, the optimisation goals are met simultaneously without transformation or formulation. In addition, the multi-objective saplings growing-up algorithm (MO-SGuA) is implemented and modified for text summarisation. The presented approach, called Pareto optimal, achieves an optimal solution with simultaneous optimisation. Experimentation with the MO-SGuA method was tested using open-access (document understanding conference; DUC) data sets. Performance success of the MO-SGuA approach was calculated using the recall-oriented understudy for gisting evaluation (ROUGE) metrics and then compared with the competitive practices used in the literature. Testing achieved a 26.6% summarisation result for the ROUGE-2 metric and 65.96% for ROUGE-L, which represents an improvement of 11.17% and 20.54%, respectively. The experimental results showed that good-quality summaries were achieved using the proposed approach.

Bu çalışmada, çok belgeli metin özetleme için yeni bir yöntemi CatSumm'ı (Cengiz, Ali, Taner Özetleme) tanıtıyoruz. Önerilen yöntem, üç ana adıma göre bir özet oluşturmaktadır: Giriş metinlerinin temsili, CatSumm modelinin ana aşamaları ve cümle puanlama. Girilen metinlerin gösterimi aşamasında kelime grupları arasındaki anlamsal bağlılığı korumak için bir Metin İşleme yazılımı tanıtılmış ve kullanılmıştır. CatSumm modelinin ana aşamalarından biri olan Spektral Cümle Kümeleme (SCK), spektral çizge bölmeleme sonrasında elde edilen alt çizgelerin oransal değerlerinden elde edilen özetleme işlemidir. Standart sapma ile hesaplanan bir eşik değerinin altında kalan cümlelerin özete dahil edilemeyeceği varsayımıyla, yöntemin ana aşamalarından bir diğeri de süper kenarların elde edilmesidir. Son olarak, araştırma kapsamında metin özetleme amacıyla CatSumm yönteminin sonucu, Belge Anlama Konferansı (DUC-2004, DUC-2002) veri setleri üzerinde ROUGE metrikleri ile ölçülmüştür. Yapılan ölçümler sonucunda Catsumm'ın benzer yöntemler kullanan özetleme yaklaşımlarından daha iyi performans gösterdiği tespit edilmiştir.