56 research outputs found
In vitro inhibition effect of some chalcones on erythrocyte carbonic anhydrase I and II
No full textIn this study, 4'-(phenylurenyl/thiourenyl) chalcones (14-25) were prepared from 4'-(phenylurenyl/thiourenyl)acetophenones and benzaldehyde derivatives by Claisen-Schmidt condensation. In vitro inhibition effects of chalcone derivatives on purified carbonic anhydrase I and carbonic anhydrase II were investigated by using the CO2 hydration method of Maren. The result showed that all the synthesized compounds inhibited the CA isoenzymes activity. 18 and 19 were found to be most active (IC50 = 25.41 m M and 23.06 mu M) for hCA I, respectively. For hCA II, 24 is the most active compound (IC50 = 14.40 mu M)
Evaluation of new chalcone derivatives as polyphenol oxidase inhibitors
No full textA newly series of 4-(phenylurenyl) chalcone (4a-j) and 4'-(phenylurenyl/thiourenyl)chalcone (9a-l) derivatives were synthesized and their inhibitory effects on the diphenolase activity of banana tyrosinase were evaluated. Tyrosinase has been purified from banana on an affinity gel comprised of Sepharose 4B-L-tyrosine-p-aminobenzoic acid. The result showed that 4a-j inhibited the PPO enzyme activity. Conversely, 9a-h and 9i-l showed activator effect on tyrosinase enzyme activity. (C) 2011 Elsevier Ltd. All rights reserved
ريّ الأرواح الظامئة بـاتباع «قواعد العشق الأربعين» لإليف شافاق
No full textBu çalışmada Elif Şafak’ın “Aşk” romanı, anlatıcı kişiler, romanda kullanılan teknikler, romanın yapısı ve yazarın okuyucuya iletmek istediği mesajlar ele alınmıştır. Bunun yanı sıra mekân, zaman ve karakter tahlillerine de yer verilmiştir. İç içe geçmiş iki romanda birbirinden oldukça farklı mizaçlara sahip olan dört önemli karakter bulunmaktadır. Bu iki romanda yer alan öyküler, farklı tarihî dönemlerde ve farklı coğrafyalarda geçmektedir. Yazar, iki dünyayı birleştirerek, okuyucuyu, sürükleyici bir anlatıyla mutasavvıfların dünyasına götürür. Romandaki olaylar tek bir süreçte devam etmez. Olaylar, roman kahramanının el yazması bir romanı okumaya başlamasıyla çift boyutlu bir hale gelir. Mevlânâ ile Şems arasındaki ilişki, romanın diğer karakterlerinin bakış açılarıyla tasvir edilmiştir. Leyla ve Halife Harun Reşidin öyküsü, Hz. Musa ile Hz. Hızır’ın kıssası, Şems’in anlattığı diğer hikâyeler gibi araya ilgisiz hikâyelerin sokulmuş olması, bin bir gece masallarının teknik yapısını anımsatmaktadır. Romanın giriş kısmından sonraki dört bölümün her biri, başlığını yaşamdaki dört elementten alır: Toprak, su, rüzgâr ve ateş. Bölüm başlıkları, okuyucuya bölümün atmosferine girmesi ve romanın kurmaca dünyalarında dolaşması için anahtarlar verir.In this study, Elif Şafak’s novel “Aşk” was examined in aspects of the teqniques used in the novel, the structure of the novel and the messages which the author wants to convey to the readers. In addition, the novel was analyzed in terms of location, time and characters. There are four important characters intertwined with very different temperaments from each other in the two novels. The stories in these two books take place in different regions and in different historical periods. The author combines two worlds with a gripping narrative and takes the reader to the world of the sufis. Events become a double-dimensioned position with the protagonist beginning to read a manuscript novel. The novel was built with many processes and a multilayered structure. The relationship between Shams and Rumi, is depicted with the point of view of other characters of the novel. Like the story of Layla and caliph Harun Rashid, Prophet Moses and Khidr parable and other unrelated stories told by Shams recall us the technical structure of the thousand and one nights tales. Each of the four chapters of the novel, after introduction, takes its title from the four elements of life: Earth, water, wind and fire. Section headings, give the keys to the reader to enter the atmosphere of the section and to travel in the world of fiction novel
Analysis of Hyperspectral Data With Involutional Neural Networks
No full textHyperspectral Imaging (HSI) is a powerful imaging technique that examines the surface of an object across a wide electromagnetic spectrum, providing spectral information at each pixel. This technology finds widespread use in various fields such as industry, agriculture, environment, and medicine. The widespread use of HSI in different domains emphasizes the importance of accurately analyzing the data. However, the analysis and classification of HSI data face numerous challenges due to their large sizes and high computational costs Overcoming these challenges and effectively analyzing HSI data for diverse applications require precise and reliable methods. Deep learning methods such as Involutional Neural Networks (INNs) can play a significant role in the analysis and classification of HSI data. Involutions are an approach that requires fewer parameters and computational costs compared to traditional convolution-based models while effectively capturing spectral-spatial information. Models developed based on involution use self-attention mechanisms to reduce computational costs when analyzing input data, differing from traditional neural network architectures. This approach proves particularly effective in handling large datasets such as HSI. This PhD thesis examines the use of INNs for the analysis of HSI data and highlights the advantages of this technology. Additionally, it evaluates the potential of involution in HSI based on the results of various studies. Public datasets for remote sensing and earth observation studies were used during these evaluations. For studies in the biomedical field, the neonatal HSI data collection created under a TÜBİTAK project was employed. Involution-based models were developed to analyze HSI data in these fields, and comprehensive analyses were conducted using various performance metrics. In the initial study, experimental investigations were conducted using publicly available Indian Pines (IP), Pavia University (PU), Salinas Scene (SA), and Kennedy Space Center (KSC) datasets in the fields of remote sensing and earth observation. This study focuses on the classification of HSI by a unique neural network model integrating the concept of involution, known as the Involutional Residual Spectral Network (IRSN). This model aims to reduce the computational cost of convolution-based methods by adopting the involution approach, which enhances classification accuracy while ensuring computational efficiency. According to the experimental results, the developed IRSN model emerged as highly suitable for HSI datasets and stood out as a superior model in terms of performance. In another study, the involution-based HarmonyNet model was developed to assess the health status of neonates, and a comprehensive evaluation was conducted. Assessments conducted on an HSI dataset comprising 110 patient cases and 110 healthy cases demonstrate that the HarmonyNet model achieved significant success with high accuracy, reliability, and low computational cost. The analyses indicate that optimizing hyperparameter settings within the involution design is crucial for enhancing the model's performance. Additionally, an ablation study confirmed that the model's success stems from the synergistic integration of different features and underscored the model's broad applicability. Another study aims to evaluate the effectiveness of the involution-based MC-I2Net model, which incorporates multiscale contextual structure and inception modules, developed for the detection of neonate diseases. Experiments and analyses demonstrate that the MC-I2Net model exhibited significant performance in classifying 240 HSI data belonging to five diseases (Respiratory Distress Syndrome, Necrotizing Enterocolitis, Intracranial Hemorrhage, Aortic Coarctation, and Pneumothorax) and one control group, achieving higher success metrics compared to other convolution-based models. Although the involution-based MC-I2Net has fewer parameters and FLOP values compared to convolution-based methods, inference time was longer in some cases. However, this study emphasized the importance of selecting specific parameters for optimal performance. Analyses conducted to enhance the model's performance highlighted the significant role of the inception module and multiscale contextual structure. Additionally, it was emphasized that the involution-based MC-I2Net requires less computational power and is a suitable option for practical applications due to its high performance. In another study conducted within the scope of the thesis, a novel hybrid model is proposed for the diagnosis and monitoring of neonate health. Beyond the classification experiments traditionally conducted using only spectral data, a more effective approach was achieved by incorporating blood biomarkers such as hemoglobin and bilirubin. The HybridCISN model, incorporating both 2D/3D convolutional structures and involution structures for the evaluation of spectra and blood biomarkers together, was developed. Two different approaches were adopted in this study. In the single spectrum evaluation approach, only the HybridCISN model was used. In the joint evaluation approach, features were extracted from the spectrum data using the convolution and involution layers within HybridCISN, and blood biomarkers were added to the model after the flattening stage. Different classifiers were used at this stage, and their performances were evaluated. This approach enabled the evaluation of spectra and blood biomarkers together. Binary and multi-classification experiments were conducted. Experimental results indicate a significant improvement in the model's performance with the addition of blood biomarkers to the spectral data. Additionally, ablation analyses underscored the importance of the involution layer in evaluating the model's components and suggested a focus on this layer for enhancing the model's performance in the future. In the fifth study within the thesis, the analysis and classification of neonate HSI data were conducted. This study targeted the evaluation of various dimensionality reduction techniques. It was determined that the examined dimensionality reduction techniques played a significant role in HSI data analysis and yielded more effective results when combined with INNs. The performance of different techniques was examined, and methods such as Non-negative Matrix Factorization (NMF) and Principal Component Analysis (PCA) stood out for their ability to accurately classify samples with different class labels and make correct predictions across all test data. This study contributed to identifying effective and reliable dimensionality reduction methods for HSI data analysis. These all studies highlight the advantages of using INNs in the analysis of HSI data. INNs attract attention for their ability to capture spectral-spatial information effectively while requiring fewer parameters and computational costs compared to traditional methods. Particularly, these studies have pioneered the development of a novel approach for neonates worldwide and introduced a comprehensive data collection created under a TÜBİTAK project for the first time. The studies indicate that HSI technology has become a significant tool in various fields such as industry, agriculture, environment, and medicine, and INNs provide enhanced accuracy and efficiency in the classification and analysis of HSI data. In this context, it is evident that INNs contribute to further enhancing the potential of HSI technology, enabling more detailed and comprehensive analysis of data. The results of these studies underscore the reliability and effectiveness of INNs as tools for the analysis of HSI data, laying an important foundation for future research.Hiperspektral görüntüleme (HSG), bir nesnenin yüzeyini geniş bir elektromanyetik spektrumda inceleyen ve her pikselde spektral bilgi sağlayan güçlü bir görüntüleme tekniğidir. Bu teknoloji, endüstriyel, tarım, çevre ve medikal gibi farklı alanlarda yaygın olarak kullanılmaktadır. HSG'nin farklı alanlarda yaygın olarak kullanılması, verilerin doğru bir şekilde analiz edilmesinin önemini vurgulamaktadır. Ancak, HSG verilerinin analizi ve sınıflandırılması, büyük boyutları ve yüksek hesaplama maliyetleri nedeniyle birçok zorlukla karşılaşmaktadır. Bu zorlukları aşmak ve HSG verilerini etkili bir şekilde analiz edip farklı alanlarda kullanabilmek için hassas ve güvenilir yöntemlere ihtiyaç vardır. İnvolüsyonel Sinir Ağları (İSA) gibi derin öğrenme yöntemleri, HSG verilerinin analizi ve sınıflandırılmasında önemli bir rol oynayabilir. İnvolüsyon, geleneksel konvolüsyon tabanlı modellere göre daha az parametre ve hesaplama maliyeti gerektiren, ancak aynı zamanda etkili bir şekilde spektral-uzamsal bilgileri yakalayan bir yaklaşımdır. İnvolüsyon tabanlı geliştirilen modeller, geleneksel sinir ağı mimarilerinden farklı olarak, girdi verilerini analiz ederken hesaplama maliyetini azaltmak için öz-dikkat mekanizmalarını kullanırlar ve bu da özellikle HSG gibi büyük boyutlu veri setlerinde etkili olmaktadır. Bu doktora tezi, HSG verilerinin analizi için İSA'ların kullanılmasını incelemekte ve bu teknolojinin avantajlarını vurgulamaktadır. Ayrıca, çeşitli çalışmaların sonuçlarına dayanarak, involüsyonun HSG'deki potansiyelini değerlendirmektedir. Bu değerlendirmeler yapılırken uzaktan algılama ve yeryüzü gözlemi alanında yapılan çalışmalar için kamuya açık veri setleri kullanılmıştır. Biyomedikal alanında yapılan çalışmalar için ise TÜBİTAK projesi kapsamında oluşturulan yenidoğan HSG veri koleksiyonu temel alınmıştır. Bu alanlardaki HSG verilerini analiz etmek için involüsyon tabanlı modeller geliştirilmiş ve bu modeller kullanılarak farklı performans ölçütleri ile kapsamlı analizler yapılmıştır. İlk çalışmada, uzaktan algılama ve yeryüzü gözleme alanında kamuya açık Indian Pines (IP), Pavia University (PU), Salinas Scene (SA) ve Kennedy Space Center (KSC) veri setleri kullanılarak deneysel çalışmalar gerçekleştirilmiştir. Bu çalışma, involüsyon kavramını entegre eden benzersiz bir sinir ağı modelinin, Involutional Residual Spectral Network (IRSN), HSG sınıflandırması üzerine odaklanmaktadır. Konvolüsyon tabanlı yöntemlerin hesaplama maliyetini azaltmayı hedefleyen bu model, involüsyon yaklaşımını benimsemiş ve sınıflandırma doğruluğunu artırmış, aynı zamanda hesaplama verimliliği sağlamıştır. Geliştirilen IRSN modeli, deneysel sonuçlara göre, HSG veri setleri için son derece uygun ve performans açısından üstün bir model olarak öne çıkmıştır. Diğer bir çalışmada, yenidoğan sağlık durumunu değerlendirmek amacıyla involüsyon tabanlı HarmonyNet modeli geliştirilmiş ve kapsamlı bir değerlendirme yapılmıştır. 110 hasta ve 110 sağlıklı vakayı içeren HSG veri seti üzerinde gerçekleştirilen değerlendirmeler, HarmonyNet modelinin yüksek doğruluk, güvenilirlik ve düşük hesaplama maliyeti ile önemli bir başarı elde ettiğini göstermektedir. Yapılan analizler, involüsyon tasarımı içerisinde bulunan hiperparametre ayarlarının optimal bir şekilde yapılmasının modelin performansını artırmada kritik öneme sahip olduğunu göstermektedir. Ayrıca, ablasyon çalışması, modelin başarısının farklı özelliklerin sinerjik entegrasyonundan kaynaklandığını doğrulamış ve modelin geniş çapta uygulanabilir olduğunu vurgulamıştır. Farklı bir çalışma, yenidoğan hastalıklarının tespiti için geliştirilen ve içerisinde çok ölçekli bağlamsal yapı ve başlangıç modülü bulunan involüsyon tabanlı MC-I2Net modelinin etkinliğini değerlendirmeyi amaçlamaktadır. Yapılan deneyler ve analizler, MC-I2Net modelinin beş hastalık (Solunum Sıkıntısı Sendromu, Nekrotizan Enterokolit, İntrakraniyal Kanama, Aort Koarktasyonu ve Pnömotoraks) ve bir kontrol grubuna ait 240 HSG veriyi sınıflandırmada önemli bir performans sergilediğini ve diğer konvolüsyon tabanlı modellere kıyasla daha yüksek başarı ölçütlerine ulaştığını göstermektedir. İnvolüsyon tabanlı MC-I2Net, konvolüsyon tabanlı yöntemlere kıyasla daha az parametre ve FLOP değerine sahip olsa da bazı durumlarda çıkarım süresi daha uzun olmuştur. Ancak bu çalışma, optimum performans için belirli parametrelerin doğru seçilmesinin önemini vurgulamıştır. Modelin performansını artırmak için yapılan analizler, başlangıç modülünün ve çok ölçekli bağlamsal yapının rolüne dikkat çekmiştir. Ayrıca, involüsyon tabanlı MC-I2Net'in daha az hesaplama gücü gerektirdiği ve yüksek performansıyla pratik uygulamalar için uygun bir seçenek olduğu vurgulanmıştır. Tez kapsamında gerçekleştirilen başka bir çalışmada, yenidoğan sağlığının teşhisi ve izlenmesi için yeni hibrit bir model önerilmiştir. Geleneksel olarak sadece spektrum verilerini kullanarak yapılan sınıflandırma deneyimlerinin ötesine geçilerek, hemoglobin ve bilirubin gibi kan biyobelirteçlerinin de dahil edilmesiyle daha etkili bir yaklaşım sağlanmıştır. Spektrumları ve kan biyobelirteçlerinin birlikte değerlendirilmesi için içerisinde hem 2B/3B konvolüsyon yapılarının hem de involüsyon yapılarının bulunduğu HybridCISN modeli geliştirilmiştir. Bu çalışmada iki farklı yaklaşım benimsenmiştir. Tek başına spektrumların değerlendirilmesi yaklaşımında sadece HybridCISN modeli kullanılmıştır. Birlikte değerlendirme yaklaşımında ise, spektrum verilerinden HybridCISN içerisindeki konvolüsyon ve involüsyon katmanları ile öznitelikler çıkarılmış ve kan biyobelirteçleri düzleştirme aşamasından sonra modele eklenmiştir. Bu aşamada farklı sınıflayıcılar kullanılmış ve performanslar değerlendirilmiştir. Bu yaklaşım ile spektrumların ve kan biyobelirteçlerinin birlikte değerlendirilmesi sağlanmıştır. İkili sınıflandırma ve çoklu sınıflandırma deneyleri yapılmıştır. Deneysel sonuçlar, spektrum verilerine kan biyobelirteçlerinin eklenmesiyle modelin performansında önemli bir iyileşme olduğunu göstermektedir. Ayrıca, ablasyon analizleri, modelin bileşenlerinin değerlendirilmesinde involüsyon katmanının önemini ortaya koymuş ve modelin performansını artırmak için gelecekte bu katmana odaklanılması gerektiğini göstermiştir. Tezde yer alan 5. çalışmada ise, yenidoğan HSG verilerinin analizi ve sınıflandırması gerçekleştirilmiştir. Bu çalışma, çeşitli boyut indirgeme tekniklerinin değerlendirilmesini hedeflemiştir. İncelenen boyut indirgeme tekniklerinin, HSG veri analizinde önemli bir rol oynadığı ve İSA ile birleştirildiğinde daha etkili sonuçlar elde edildiği belirlenmiştir. Farklı tekniklerin performansı incelenmiş ve Negatif Olmayan Matris Ayrışımı (NOMA) ve Temel Bileşenler Analizi (TBA) gibi tekniklerin farklı sınıf etiketlerine sahip örnekleri doğru bir şekilde tanımlama ve tüm test verilerinde doğru tahminler yapma yeteneği açısından öne çıktığı görülmüştür. Bu çalışma, HSG verilerinin analizi için etkili ve güvenilir boyut indirgeme yöntemlerinin belirlenmesine katkıda bulunmuştur. Bu çalışmalar, HSG verilerinin analizinde İSA'ların kullanımının sağladığı avantajları öne çıkarmaktadır. İSA'lar, geleneksel yöntemlere kıyasla daha az parametre ve hesaplama maliyeti gerektirirken, spektral-uzamsal bilgileri etkili bir şekilde yakalama yeteneğiyle dikkat çekmektedir. Özellikle, bu çalışmalar yenidoğanlar için dünya çapında ilk kez bir yaklaşımın geliştirilmesine öncülük etmiş ve TÜBİTAK projesi kapsamında oluşturulan kapsamlı bir veri koleksiyonunu tanıtmıştır. Yapılan çalışmalar, HSG teknolojisinin, endüstriyel, tarım, çevre ve medikal gibi farklı alanlarda önemli bir araç haline geldiğini ve İSA'ların, HSG verilerinin sınıflandırılması ve analizinde gelişmiş doğruluk ve verimlilik sağladığını göstermektedir. Bu bağlamda, İSA'ların, HSG teknolojisinin potansiyelini daha da artırarak, verilerin daha detaylı ve geniş kapsamlı bir şekilde analiz edilmesine katkı sağladığı görülmektedir. Bu çalışmaların sonuçları, İSA'ların HSG verilerinin analizi için güvenilir ve etkili birer araç olduğunu vurgulamakta ve gelecekteki araştırmalar için önemli bir temel oluşturmaktadır
Classification of Health Status of Neonates With Deep Learning Methods Using Hyperspectral Imaging
No full textYenidoğan bebeklerin sağlık durumlarının hızlı ve zararsız bir şekilde erken tespiti, bebeklerin hem hayatta kalmasını hem de yaşam kalitesini artırabilir. Bu doğrultuda, yenidoğan bebeklerin sağlık durumu tespitinde en iyi yöntem, bebeğe en az invaziv girişim yapılan yöntemdir (az dokun-çok gözlemle prensibi). Yenidoğan Yoğun Bakım Ünitesinde (YYBÜ) bulunan yenidoğanların yaşatılması ve sekellerinin azaltılmasında önemli unsurlardan birisi de gelişen teknolojilerden faydalanılarak oluşturulacak ön tanı ve takip sistemleridir. Hiperspektral görüntüleme (HSG), doku biyopsisinden kaçınarak doku hakkında tanısal bilgiler verdiği için, temassız olarak yenidoğan sağlık durumunun tespitinde güçlü bir araç olarak görülmektedir. Tez çalışmasında kullanılan hiperspektral görüntüler, Selçuk Üniversitesi Tıp Fakültesi Yenidoğan Yoğun Bakım Ünitesindeki 19 farklı yenidoğandan elde edilmiştir. Toplamda 32 hiperküp ve bu hiperküplerden elde edilen 6528 hiperspektral görüntü mevcuttur. HSG kullanarak yenidoğanların sağlık durumunu tespit etmek için 2 boyutlu Evrişimli Sinir Ağları (2B-ESA) ve 3 boyutlu Evrişimli Sinir Ağları (3B-ESA) modelleri kullanılmıştır. Komşuluk çıkarma yöntemi kullanılarak mini küpler oluşturulup 3B-ESA ile sınıflandırma işlemi yapılmıştır. Sınıflandırma performansını değerlendirmek için genel doğruluk, Cohen'in kappa katsayısı, hassasiyet ve özgüllük değerleri hesaplanmıştır. Komşuluk çıkarma yöntemi kullanılarak %100 genel doğruluk, %100 Cohen'in kappa katsayısı, %100 hassasiyet ve %100 özgüllük değerine ulaşılmış ve tüm veriler doğru sınıflandırılmıştır. Ayrıca komşuluk çıkarma yöntemiyle az eğitim verisi kullanılarak yüksek doğruluk oranları elde edilmiştir. Bu sonuçlar yenidoğanlara ait hiperspektral görüntülerin sınıflandırılmasında derin öğrenme yöntemlerinin oldukça başarılı olduğunu göstermektedir.Rapid and harmless methods for early detection of the health status of premature babies can both ensure survival and improve these babies' quality of life. In this regard, the best method for health status detection of premature babies is the least invasive process (the principle of less touch/much more observation). In the neonatal intensive care unit (NICU), one of the important factors in keeping neonates alive and reducing their sequelae is the preliminary diagnosis and follow-up systems that will be created by using technologies that are still in the developmental stages. Hyperspectral imaging (HSI) is seen as a powerful tool for determination of neonatal health status because it provides diagnostic information about the disease. The hyperspectral images used in the thesis study were obtained from 19 different neonates in Selcuk University Medical Faculty Neonatal Intensive Care Unit. There are 32 hypercubes in total and 6528 hyperpectral images obtained from these hypercubes. 2 dimensional Convolutional Neural Networks (2D-CNN) and 3 dimensional Convolutional Neural Networks (3D-CNN) models were used to detect the health status of neonates using HSI. Mini cubes were created using the neighbourhood extraction method, and classification was done with 3D-CNN. In order to evaluate the classification performance, general accuracy, Cohen's kappa coefficient, sensitivity and specificity values were calculated. Using the neighbourhood extraction method, 100% overall accuracy, 100% Cohen's kappa coefficient, 100% sensitivity and 100% specificity were reached, and all data were classified correctly. In addition, high accuracy rates were obtained by using less training data with the neighboring method. These results show that deep learning methods are very successful in classifying hyperspectral images of neonates
A technical and thematic examination of Limen Hadhihi al-Dumya, a novel by Jordanian author Taghrid al-Najjar
No full textYüksek Lisans TeziArap çocuk edebiyatı, geleneksel mit ve masallardan günümüze uzanan süreçte, 1979 Dünya Çocuk Yılı ile birlikte hızla gelişen bir disipline dönüşmüştür. Ürdün, bu alana geç dâhil olsa da Tagrîd Ârif en-Neccâr’ın öncü çabalarıyla önemli bir ivme kazanmıştır. Yazar, eserlerinde gündelik yaşam, özgürlük, eşitlik, kültürel miras ve toplumsal cinsiyet rolleri gibi temaları işleyerek çocuk okuru hayal kurmaya, çözüm odaklı düşünmeye ve özsaygı geliştirmeye yönlendirmiştir. Bu çalışmada Limen Hâẕihi’d-Dumye romanı teknik ve tematik olarak incelenmiştir. Çalışma bir giriş ve üç bölümden oluşmaktadır. Girişte araştırmanın konusu, önemi, amacı, yöntemi, kaynakları ve Ürdün çocuk edebiyatının teşekkül sürecine değinilmiştir. Birinci bölümde yazarın hayatından ve edebi kişiliğinden bahsedilmiş, çalışma konusu dışındaki eserlerinden bahsedilmiştir. Üçüncü bölümde ise romanın tematik incelemesi yapılmış, vatan özlemi, kültür çatışması, kimlik krizi, yabancılaşma, kadın temsili ve toplumsal cinsiyet rolleri gibi temaları, yetmiş yıllık toplumsal değişim edebî bir çerçevede incelenmiştir.Arab children’s literature, evolving from traditional myths and folktales to the present day, rapidly developed into a distinct discipline with the declaration of the International Year of the Child in 1979. Although Jordan joined this field later, it gained significant momentum through the pioneering efforts of Taghrid Arif Al-Najjar. In her works, the author addresses themes such as daily life, freedom, equality, cultural heritage, and gender roles, encouraging young readers to dream, think solution-oriented, and develop self-respect. This study examines the novel Limen Hadhihi al-Dumya both technically and thematically. The study consists of an introduction and three chapters. The introduction discusses the subject, significance, objectives, methodology, sources, and the formation process of Jordanian children’s literature. The first chapter focuses on the author’s life and literary personality, as well as her other works outside the scope of this study. The third chapter presents a thematic analysis of the novel, exploring themes such as longing for homeland, cultural conflict, identity crisis, alienation, female representation, and gender roles within a literary framework of seventy years of social transformation
Tamamlayıcı Renk Dalgacık Dönüşümü Kullanılarak Renkli Görüntülerin Gürültüden Arındırılması
No full textRGB renk halkası, tamamlayıcı renklere sahip olduğu için insan görmesinde en anlaşılabilir renk temsili olarak bilinmektedir. Bununla birlikte, renk ilişkileri, dalgacık tabanlı renkli görüntü işleme araçlarında neredeyse hiç rol oynamamaktadır. Bu çalışmada tamamlayıcı renk ilişkileri ve kompleks dalgacık tasarım tekniklerine dayanan, Tamamlayıcı Renk Dalgacık Dönüşümü (TRDD), renkli görüntülerde gürültülerin giderilmesi için kullanılmıştır. Bu dalgacık, RGB renk halkasında bulunan renk eksenleri arasındaki açı ilişkilerinden elde edilen 2π/3 faz farklarına sahip, 2 boyutlu kompleks dalgacıklardan oluşan bir aileden meydana gelmektedir ve yönsel seçicilik bakımdan çok etkilidir. Farklı fazdaki yönlere ait katsayılar kullanılarak çok kanallı renkli görüntülerden gürültü giderme işlemleri gerçekleştirilmiştir. Farklı renkli görüntüler ve gürültü seviyeleri kullanılarak TRDD'nin performansı, tepe sinyal-gürültü oranı, yapısal benzerlik indeksi, ortalama kare hata değerleri ve görsel kaliteye dayalı olarak doğrulanmıştır. TRDD, en gelişmiş çok çözünürlüklü görüntü gürültü giderme algoritmalarıyla karşılaştırılmış ve yöntemin hem niceliksel hem de görsel olarak daha üstün gürültü giderme performansı elde ettiği görülmüştür. Ayrıca TRDD'nin hesaplama süresi analiz edilmiş ve mevcut yaklaşımlarla karşılaştırılmıştır
Image Fusion and Deep Learning Based Ear Recognition Using Thermal and Visible Images
No full textAdvances in imaging and deep learning have fueled interest in ear biometrics, as the structure of the ear offers unique identification features. Thermal and visible ear images capture different aspects of these features. Thermal images are light-independent, and visible images excel at capturing texture details. Combining these images creates more feature-rich composite images. This study examines the fusion of thermal and visible ear images taken under varying lighting conditions to enhance automatic ear recognition. The image fusion process involved three distinct multiresolution analysis methods: discrete wavelet transform, ridgelet transform, and curvelet transform. Subsequently, a specially designed deep learning model was used for ear recognition. The results of this study reveal that employing the complex-valued curvelet transform and thermal images achieved an impressive recognition rate of 96.82%, surpassing all other methods. Conversely, visible images exhibited the lowest recognition rate of 75.00%, especially in low-light conditions. In conclusion, the fusion of multiple data sources significantly enhances ear recognition effectiveness, and the proposed model consistently achieves remarkable recognition rates even when working with a limited number of fused ear images
- …
