Araştırma Makalesi
BibTex RIS Kaynak Göster

Yıl 2021, Cilt: 23 Sayı: 68, 349 - 356, 24.05.2021

Mesut Toğaçar , Zafer Cömert , Burhan Ergen

https://doi.org/10.21205/deufmd.2021236801
Cited By: 3

Öz

Communication is the process of people transferring emotions, thoughts or information to the other party in various ways. One of the most effective ways of communication is language. Language is a communication tool that makes people's daily life easier and there are many hearing impaired people in our lives who cannot use this communication tool. Sign languages have been developed to facilitate the communication of hearing impaired people in society. There are specific sign languages varying according to the language of the countries. This study focuses on the Turkish sign language digits that are publicly available. Sign language is not known by all people of society. This situation causes communication disruptions in the social environments where hearing impaired people are present. A person who has not hearing impaired but cannot use sign language has the same problem. The aim of this study is to determine what people using sign language want to tell by using a deep learning architecture. For this purpose, the identification of digits in Turkish sign language has been realized by using the recently popular siamese neural network in this study. Siamese neural networks are a type of deep learning model that matches the same images in an image dataset. Using these networks, we have identified the digits used in Turkish sign language. The success rate of the matching was 98.16%. Consequently, siamese neural networks were found to be successful in identifying Turkish sign language digits with this study.

Anahtar Kelimeler

Siamese Neural Networks Turkish Sign Language Digit Recognition Deep Learning

Kaynakça

  • [1] Redondo M. Investigación de la enseñanza ética de los periodistas en España . Análisis bibliométrico y prescripciones formativas aplicadas ( 2005-2015 ) Research on ethics education for journalists in Spain . 2017;235–52 doi:10.4185/RLCS.
  • [2] Thomas J, McDonagh D. Shared language:Towards more effective communication. Australas Med J [Internet]. 2013/01/31. 2013;6(1):46–54. Available from: https://www.ncbi.nlm.nih.gov/pubmed/ 23422948 doi:10.4066/AMJ.2013.1596.
  • [3] Lindquist KA, MacCormack JK, Shablack H. The role of language in emotion: predictions from psychological constructionism. Front Psychol [Internet]. 2015 Apr 14;6:444. Available from: https://www.ncbi.nlm.nih.gov/pubmed/25926809 doi:10.3389/fpsyg.2015.00444.
  • [4] Hassen R. Language as an Index of Identity, Power, Solidarity and Sentiment in the Multicultural Community of Wollo. J Soc. 2016;5(3):1–5. doi:10.4172/2471-8726.1000174.
  • [5] Alnfiai M, Sampali S. Social and Communication Apps for the Deaf and Hearing Impaired. In: 2017 International Conference on Computer and Applications (ICCA). 2017. p. 120–6. doi:10.1109/COMAPP.2017.8079756.
  • [6] Vijayalakshmi P, Aarthi M. Sign language to speech conversion. In: 2016 International Conference on Recent Trends in Information Technology (ICRTIT). 2016. p. 1–6. doi:10.1109/ICRTIT.2016.7569545.
  • [7] OKTEKIN B. DEVELOPMENT OF TURKISH SIGN LANGUAGE RECOGNITION APPLICATION. NEAR EAST UNIVERSITY; 2018.
  • [8] Yıldız Z, Yıldız S, Bozyer S. İŞİTMEEngelliTuri̇zmi̇ Sessi̇zTuri̇zm): Dünya VeTürki̇yPotansi̇yeli̇neYöneli̇kBi̇rDeğerlendi̇rme. Süleyman Demirel Üniversitesi Vizyoner Derg. 2018;103–17. doi:10.21076/vizyoner.339776.
  • [9] von Agris U, Zieren J, Canzler U, Bauer B, Kraiss KF. Recent developments in visual sign language recognition. Univers Access Inf Soc. 2008;6(4):323–62. doi:10.1007/s10209-007-0104-x.
  • [10] Toğaçar M, Ergen B. Biyomedikal Görüntülerde Derin Öğrenme ile Mevcut Yöntemlerin Kıyaslanması. Fırat Üniversitesi Mühendislik Bilim Derg. 2019;31(1):109–21.
  • [11] Cömert Z, Kocamaz AF. Fetal Hypoxia Detection Based on Deep Convolutional Neural Network with Transfer Learning Approach. In: Silhavy R, editor. Software Engineering and Algorithms in Intelligent Systems. Cham: Springer International Publishing; 2019. p. 239–48.
  • [12] Sertkaya ME, Ergen B, Togacar M. Diagnosis of Eye Retinal Diseases Based on Convolutional Neural Networks Using Optical Coherence Images. In: 2019 23rd International Conference Electronics. 2019. p. 1–5. doi:10.1109/ELECTRONICS.2019.8765579.
  • [13] Altuntaş Y, Cömert Z, Kocamaz AF. Identification of haploid and diploid maize seeds using convolutional neural networks and a transfer learning approach. Comput Electron Agric. 2019;163:104874. doi:https://doi.org/10.1016/j.compag.2019.104874.
  • [14] Pigou L, Dieleman S, Kindermans P-J, Schrauwen B. Sign Language Recognition Using Convolutional Neural Networks. Vol. 8925. 2015. 572–578 p. doi:10.1007/978-3-319-16178-5_40.
  • [15] Bheda V, Radpour ND. Using Deep Convolutional Networks for Gesture Recognition in American Sign Language. 2017;1710. 0683. Available from: https://arxiv.org/ftp/arxiv/papers/1710/1710.06836.pdf
  • [16] Demircioglu B, Bülbül G, Kose H. Leap Motion ile Türk İşaret Dili Tanıma / Turkish Sign Language Recognition With Leap Motion. 2016. doi:10.13140/RG.2.1.4923.3529.
  • [17] Abul Kalam M, Nazrul M, Mondal I, Ahmed B. Rotation Independent Digit Recognition in Sign Language. In: 2019 International Conference on Electrical, Computer and Communication Engineering (ECCE). 2019; 2019.
  • [18] Kwolek B, Sako S. Learning Siamese Features for Finger Spelling Recognition. 2017. 225–236 p. doi:10.1007/978-3-319-70353-4_20.
  • [19] Arda Mavi. Turkey Ankara Ayrancı Anadolu High School’s Sign Language Digits Dataset [Internet]. 2017 [cited 2019 Aug 21]. Available from: https://github.com/ardamavi/Sign-Language-Digits-Dataset
  • [20] Berlemont S, Lefebvre G, Duffner S, Garcia C. Class-Balanced Siamese Neural Networks. Neurocomputing. 2017 Oct 1; doi:10.1016/j.neucom.2017.07.060.
  • [21] YAZAN E, Talu MF. Comparison of the stochastic gradient descent based optimization techniques. In: 2017 International Artificial Intelligence and Data Processing Symposium (IDAP). 2017. p. 1–5. doi:10.1109/IDAP.2017.8090299.
  • [22] R. V, K.P. S. Siamese neural network architecture for homoglyph attacks detection. ICT Express [Internet]. 2019 May 31 [cited 2019 Aug 21]; Available from: https://www.sciencedirect.com/science/article/pii/S2405959519300025 doi:10.1016/J.ICTE.2019.05.002.
  • [23] Jansen H, Gallee MP, Schroder FH. Analysis of sonographic pattern in prostatic cancer: Comparison of longitudinal and transversal transrectal ultrasound with subsequent radical prostatectomy specimens. Eur Urol. 1990;18(3):174–8. doi:10.1159/000463903.
  • [24] Hariharan B, Arbeláez P, Girshick R, Malik J. Object Instance Segmentation and Fine-Grained Localization Using Hypercolumns. IEEE Trans Pattern Anal Mach Intell. 2017;39(4):627–39. doi:10.1109/TPAMI.2016.2578328.
  • [25] Toğaçar M, Ergen B, Sertkaya ME. Zatürre Hastalığının Derin Öğrenme Modeli ile Tespiti Detection of Pneumonia with Deep Learning Model. 2019;31(1):223–30. [26] Toğaçar M, Ergen B. Deep Learning Approach for Classification of Breast Cancer. In: 2018 International Conference on Artificial Intelligence and Data Processing (IDAP). 2018. p. 1–5. doi:10.1109/IDAP.2018.8620802.
  • [27] Cömert Z, Kocamaz AF. Comparison of Machine Learning Techniques for Fetal Heart Rate Classification. Acta Phys Pol A. 2017;132(3):451–4. doi:10.12693/APhysPolA.131.451.
  • [28] İni̇k Ö, ÜLKER Bilgisayar Mühendisliği Bölümü E, Üniversitesi G, Bilgisayar Mühendisliği Bölümü T, Üniversitesi S, yazar S, et al. Derin Öğrenme ve Görüntü Analizinde Kullanılan Derin Öğrenme Modelleri Deep Learning and Deep Learning Models Used in Image Analysis. GBAD) Gaziosmanpasa J Sci Res. 2017;ISSN:2146–8168.
  • [29] Cıbuk M, Budak U, Guo Y, Ince MC, Sengur A. Efficient deep features selections and classification for flower species recognition. Measurement. 2019;137:7–13. doi:https://doi.org/10.1016/j.measurement.2019.01.041.
  • [30] Ioffe S, Szegedy C. Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift. 2015; Available from: http://arxiv.org/abs/1502.03167
  • [31] keras/mnist_siamese.py at master · keras-team/keras · GitHub [Internet]. [cited 2019 Aug 22]. Available from: https://github.com/keras-team/keras/blob/master/examples/mnist_siamese.py
  • [32] Reeskamp P. Is comparative advertising a trade mark issue ? Eur Intellect Prop Rev. 2008;30(4):130–7. doi:10.1145/2623330.2623612.
  • [33] Powers DMW, Ailab. Evaluation: From Precision, Recall and F-Measure To Roc, Informedness, Markedness & Correlation. 2011;2(1):37–63. Available from: http://www.bioinfo.in/ contents.php?id=51 doi:10.9735/2229-3981.
  • [34] Arıcan M, Cömert Z, Fatih Kocamaz A, Polat K. Analysis of Fetal Heart Rate Signal based on Neighborhood-based Variance Compression Method. 2018. doi:10.1109/IDAP.2018.8620898.

Siyam Sinir Ağlarını Kullanarak Türk İşaret Dilindeki Rakamların Tanımlanması

Yıl 2021, Cilt: 23 Sayı: 68, 349 - 356, 24.05.2021

Mesut Toğaçar , Zafer Cömert , Burhan Ergen

https://doi.org/10.21205/deufmd.2021236801
Cited By: 3

Öz

İletişim, insanların duygu,
düşünce veya bilgiyi çeşitli yollar kullanarak karşı tarafa aktarma sürecidir.
İletişimde en etkili yollardan birisi ise dildir. Dil, insanların günlük
hayatını kolaylaştıran bir iletişim aracıdır ve bu iletişim aracını
kullanamayan işitme engelli birçok insan vardır. İşitme engelli insanların,
toplum içerisinde iletişimini kolaylaştırmak için işaret dilleri geliştirilmiştir.
Her ülkenin kendi konuşma diline özgü işaret dili mevcuttur. Bu çalışma erişime
açık Türk işaret dili rakamlarına odaklanmıştır. İşaret dili, toplumun her
kesimi tarafından bilinmemektedir. Bu durum, işitme engelli insanların
bulundukları sosyal ortamlarda iletişim aksaklıklarına neden olmaktadır. İşitme
engelli olmayan ancak işaret dilini bilmeyen bir bireyde aynı problemi
yaşamaktadır. Bu çalışmanın amacı, işaret dilini kullanan insanların ne
anlatmak istediğini derin öğrenme mimarisi üzerinde tespit etmektir. Bu amaçla,
işaret dilini rakamlarının, son zamanlarda popülerliği artan siyam sinir ağı
ile tanımlanmasını bu çalışmada gerçekleştirilmiştir. Siyam sinir ağları,
görüntü kümesinde aynı görüntüleri eşleştiren bir derin öğrenme modelidir. Bu
ağları kullanarak Türk işaret dilinde kullanılan rakam görüntülerini
tanımlamayı gerçekleştirdik. Elde edilen eşleştirme başarı oranı %98,16’dır.
Sonuç olarak, bu çalışma ile Türk işaret dili rakamlarının tanımlanmasında
siyam sinir ağlarının başarılı olduğu görülmüştür.

Anahtar Kelimeler

Siyam Sinir Ağları Türk İşaret Dili Rakam Tanımlama

Kaynakça

  • [1] Redondo M. Investigación de la enseñanza ética de los periodistas en España . Análisis bibliométrico y prescripciones formativas aplicadas ( 2005-2015 ) Research on ethics education for journalists in Spain . 2017;235–52 doi:10.4185/RLCS.
  • [2] Thomas J, McDonagh D. Shared language:Towards more effective communication. Australas Med J [Internet]. 2013/01/31. 2013;6(1):46–54. Available from: https://www.ncbi.nlm.nih.gov/pubmed/ 23422948 doi:10.4066/AMJ.2013.1596.
  • [3] Lindquist KA, MacCormack JK, Shablack H. The role of language in emotion: predictions from psychological constructionism. Front Psychol [Internet]. 2015 Apr 14;6:444. Available from: https://www.ncbi.nlm.nih.gov/pubmed/25926809 doi:10.3389/fpsyg.2015.00444.
  • [4] Hassen R. Language as an Index of Identity, Power, Solidarity and Sentiment in the Multicultural Community of Wollo. J Soc. 2016;5(3):1–5. doi:10.4172/2471-8726.1000174.
  • [5] Alnfiai M, Sampali S. Social and Communication Apps for the Deaf and Hearing Impaired. In: 2017 International Conference on Computer and Applications (ICCA). 2017. p. 120–6. doi:10.1109/COMAPP.2017.8079756.
  • [6] Vijayalakshmi P, Aarthi M. Sign language to speech conversion. In: 2016 International Conference on Recent Trends in Information Technology (ICRTIT). 2016. p. 1–6. doi:10.1109/ICRTIT.2016.7569545.
  • [7] OKTEKIN B. DEVELOPMENT OF TURKISH SIGN LANGUAGE RECOGNITION APPLICATION. NEAR EAST UNIVERSITY; 2018.
  • [8] Yıldız Z, Yıldız S, Bozyer S. İŞİTMEEngelliTuri̇zmi̇ Sessi̇zTuri̇zm): Dünya VeTürki̇yPotansi̇yeli̇neYöneli̇kBi̇rDeğerlendi̇rme. Süleyman Demirel Üniversitesi Vizyoner Derg. 2018;103–17. doi:10.21076/vizyoner.339776.
  • [9] von Agris U, Zieren J, Canzler U, Bauer B, Kraiss KF. Recent developments in visual sign language recognition. Univers Access Inf Soc. 2008;6(4):323–62. doi:10.1007/s10209-007-0104-x.
  • [10] Toğaçar M, Ergen B. Biyomedikal Görüntülerde Derin Öğrenme ile Mevcut Yöntemlerin Kıyaslanması. Fırat Üniversitesi Mühendislik Bilim Derg. 2019;31(1):109–21.
  • [11] Cömert Z, Kocamaz AF. Fetal Hypoxia Detection Based on Deep Convolutional Neural Network with Transfer Learning Approach. In: Silhavy R, editor. Software Engineering and Algorithms in Intelligent Systems. Cham: Springer International Publishing; 2019. p. 239–48.
  • [12] Sertkaya ME, Ergen B, Togacar M. Diagnosis of Eye Retinal Diseases Based on Convolutional Neural Networks Using Optical Coherence Images. In: 2019 23rd International Conference Electronics. 2019. p. 1–5. doi:10.1109/ELECTRONICS.2019.8765579.
  • [13] Altuntaş Y, Cömert Z, Kocamaz AF. Identification of haploid and diploid maize seeds using convolutional neural networks and a transfer learning approach. Comput Electron Agric. 2019;163:104874. doi:https://doi.org/10.1016/j.compag.2019.104874.
  • [14] Pigou L, Dieleman S, Kindermans P-J, Schrauwen B. Sign Language Recognition Using Convolutional Neural Networks. Vol. 8925. 2015. 572–578 p. doi:10.1007/978-3-319-16178-5_40.
  • [15] Bheda V, Radpour ND. Using Deep Convolutional Networks for Gesture Recognition in American Sign Language. 2017;1710. 0683. Available from: https://arxiv.org/ftp/arxiv/papers/1710/1710.06836.pdf
  • [16] Demircioglu B, Bülbül G, Kose H. Leap Motion ile Türk İşaret Dili Tanıma / Turkish Sign Language Recognition With Leap Motion. 2016. doi:10.13140/RG.2.1.4923.3529.
  • [17] Abul Kalam M, Nazrul M, Mondal I, Ahmed B. Rotation Independent Digit Recognition in Sign Language. In: 2019 International Conference on Electrical, Computer and Communication Engineering (ECCE). 2019; 2019.
  • [18] Kwolek B, Sako S. Learning Siamese Features for Finger Spelling Recognition. 2017. 225–236 p. doi:10.1007/978-3-319-70353-4_20.
  • [19] Arda Mavi. Turkey Ankara Ayrancı Anadolu High School’s Sign Language Digits Dataset [Internet]. 2017 [cited 2019 Aug 21]. Available from: https://github.com/ardamavi/Sign-Language-Digits-Dataset
  • [20] Berlemont S, Lefebvre G, Duffner S, Garcia C. Class-Balanced Siamese Neural Networks. Neurocomputing. 2017 Oct 1; doi:10.1016/j.neucom.2017.07.060.
  • [21] YAZAN E, Talu MF. Comparison of the stochastic gradient descent based optimization techniques. In: 2017 International Artificial Intelligence and Data Processing Symposium (IDAP). 2017. p. 1–5. doi:10.1109/IDAP.2017.8090299.
  • [22] R. V, K.P. S. Siamese neural network architecture for homoglyph attacks detection. ICT Express [Internet]. 2019 May 31 [cited 2019 Aug 21]; Available from: https://www.sciencedirect.com/science/article/pii/S2405959519300025 doi:10.1016/J.ICTE.2019.05.002.
  • [23] Jansen H, Gallee MP, Schroder FH. Analysis of sonographic pattern in prostatic cancer: Comparison of longitudinal and transversal transrectal ultrasound with subsequent radical prostatectomy specimens. Eur Urol. 1990;18(3):174–8. doi:10.1159/000463903.
  • [24] Hariharan B, Arbeláez P, Girshick R, Malik J. Object Instance Segmentation and Fine-Grained Localization Using Hypercolumns. IEEE Trans Pattern Anal Mach Intell. 2017;39(4):627–39. doi:10.1109/TPAMI.2016.2578328.
  • [25] Toğaçar M, Ergen B, Sertkaya ME. Zatürre Hastalığının Derin Öğrenme Modeli ile Tespiti Detection of Pneumonia with Deep Learning Model. 2019;31(1):223–30. [26] Toğaçar M, Ergen B. Deep Learning Approach for Classification of Breast Cancer. In: 2018 International Conference on Artificial Intelligence and Data Processing (IDAP). 2018. p. 1–5. doi:10.1109/IDAP.2018.8620802.
  • [27] Cömert Z, Kocamaz AF. Comparison of Machine Learning Techniques for Fetal Heart Rate Classification. Acta Phys Pol A. 2017;132(3):451–4. doi:10.12693/APhysPolA.131.451.
  • [28] İni̇k Ö, ÜLKER Bilgisayar Mühendisliği Bölümü E, Üniversitesi G, Bilgisayar Mühendisliği Bölümü T, Üniversitesi S, yazar S, et al. Derin Öğrenme ve Görüntü Analizinde Kullanılan Derin Öğrenme Modelleri Deep Learning and Deep Learning Models Used in Image Analysis. GBAD) Gaziosmanpasa J Sci Res. 2017;ISSN:2146–8168.
  • [29] Cıbuk M, Budak U, Guo Y, Ince MC, Sengur A. Efficient deep features selections and classification for flower species recognition. Measurement. 2019;137:7–13. doi:https://doi.org/10.1016/j.measurement.2019.01.041.
  • [30] Ioffe S, Szegedy C. Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift. 2015; Available from: http://arxiv.org/abs/1502.03167
  • [31] keras/mnist_siamese.py at master · keras-team/keras · GitHub [Internet]. [cited 2019 Aug 22]. Available from: https://github.com/keras-team/keras/blob/master/examples/mnist_siamese.py
  • [32] Reeskamp P. Is comparative advertising a trade mark issue ? Eur Intellect Prop Rev. 2008;30(4):130–7. doi:10.1145/2623330.2623612.
  • [33] Powers DMW, Ailab. Evaluation: From Precision, Recall and F-Measure To Roc, Informedness, Markedness & Correlation. 2011;2(1):37–63. Available from: http://www.bioinfo.in/ contents.php?id=51 doi:10.9735/2229-3981.
  • [34] Arıcan M, Cömert Z, Fatih Kocamaz A, Polat K. Analysis of Fetal Heart Rate Signal based on Neighborhood-based Variance Compression Method. 2018. doi:10.1109/IDAP.2018.8620898.
Toplam 33 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Bölüm Araştırma Makalesi
Yazarlar

Mesut Toğaçar 0000-0002-8264-3899

Zafer Cömert 0000-0001-5256-7648

Burhan Ergen 0000-0002-8264-3899

Yayımlanma Tarihi 24 Mayıs 2021
Yayımlandığı Sayı Yıl 2021 Cilt: 23 Sayı: 68

Kaynak Göster

APA Toğaçar, M., Cömert, Z., & Ergen, B. (2021). Siyam Sinir Ağlarını Kullanarak Türk İşaret Dilindeki Rakamların Tanımlanması. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen Ve Mühendislik Dergisi, 23(68), 349-356. https://doi.org/10.21205/deufmd.2021236801
AMA Toğaçar M, Cömert Z, Ergen B. Siyam Sinir Ağlarını Kullanarak Türk İşaret Dilindeki Rakamların Tanımlanması. DEUFMD. Mayıs 2021;23(68):349-356. doi:10.21205/deufmd.2021236801
Chicago Toğaçar, Mesut, Zafer Cömert, ve Burhan Ergen. “Siyam Sinir Ağlarını Kullanarak Türk İşaret Dilindeki Rakamların Tanımlanması”. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen Ve Mühendislik Dergisi 23, sy. 68 (Mayıs 2021): 349-56. https://doi.org/10.21205/deufmd.2021236801.
EndNote Toğaçar M, Cömert Z, Ergen B (01 Mayıs 2021) Siyam Sinir Ağlarını Kullanarak Türk İşaret Dilindeki Rakamların Tanımlanması. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi 23 68 349–356.
IEEE M. Toğaçar, Z. Cömert, ve B. Ergen, “Siyam Sinir Ağlarını Kullanarak Türk İşaret Dilindeki Rakamların Tanımlanması”, DEUFMD, c. 23, sy. 68, ss. 349–356, 2021, doi: 10.21205/deufmd.2021236801.
ISNAD Toğaçar, Mesut vd. “Siyam Sinir Ağlarını Kullanarak Türk İşaret Dilindeki Rakamların Tanımlanması”. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi 23/68 (Mayıs 2021), 349-356. https://doi.org/10.21205/deufmd.2021236801.
JAMA Toğaçar M, Cömert Z, Ergen B. Siyam Sinir Ağlarını Kullanarak Türk İşaret Dilindeki Rakamların Tanımlanması. DEUFMD. 2021;23:349–356.
MLA Toğaçar, Mesut vd. “Siyam Sinir Ağlarını Kullanarak Türk İşaret Dilindeki Rakamların Tanımlanması”. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen Ve Mühendislik Dergisi, c. 23, sy. 68, 2021, ss. 349-56, doi:10.21205/deufmd.2021236801.
Vancouver Toğaçar M, Cömert Z, Ergen B. Siyam Sinir Ağlarını Kullanarak Türk İşaret Dilindeki Rakamların Tanımlanması. DEUFMD. 2021;23(68):349-56.

Cited By

Yağ Gülü Hasat Durumunun Belirlenmesi için Siyam Sinir Ağları: Yeni Nesil Bir Bitki Tanıma Sistemi
Fırat Üniversitesi Mühendislik Bilimleri Dergisi
https://doi.org/10.35234/fumbd.1468811
İşitme Engelli Bireylerin Hareketlerini Sınıflandırmaya Yönelik Yapay Zeka Modelinin Geliştirilmesi
Black Sea Journal of Engineering and Science
https://doi.org/10.34248/bsengineering.1477046
Prediction of Monkeypox on the Skin Lesion with the Siamese Deep Learning Model
Balkan Journal of Electrical and Computer Engineering
https://doi.org/10.17694/bajece.1255798

Dokuz Eylül Üniversitesi, Mühendislik Fakültesi Dekanlığı Tınaztepe Yerleşkesi, Adatepe Mah. Doğuş Cad. No: 207-I / 35390 Buca-İZMİR.