Determination of Vehicle Type by Image Classification Methods for a Sample Traffic Intersection in Isparta Province

Ateş, Fatmanur; Salman, Osamah Khaled Musleh; Şenol, Ramazan; Aksoy, Bekir

doi:10.1007/978-3-030-79357-9_42

Cited by 2 publications

(1 citation statement)

References 20 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…Trafik akışını daha hızlı bir şekilde sağlamak için trafik sinyalizasyon uygulamalarında yapay sinir ağlarının önemi büyüktür [10]. Bilim insanları, insan kaynaklı hataların azaltılması amacıyla yapay sinir ağlarının tahmin doğruluğunu arttırmaya çalışmaktadır [11]. Trafik işaret levhaları sürüşü daha güvenli hale getirmek için oldukça önemlidir.…”

Section: Introductionunclassified

Yapay Zekâ Kullanilarak Trafi̇k İşaret Levhalarinin Siniflandirilmasi: Deni̇zli̇ İl Merkezi̇ İçi̇n Örnek Bi̇r Uygulama

Bayrakçı¹,

PALANDIZ²,

Özkahraman³

2021

International Journal of 3D Printing Technologies and Digital Industry

View full text Add to dashboard Cite

Günümüzde sürekli olarak ilerlemekte olan teknolojik gelişmeler ile yapay zeka hayatımızın vazgeçilmez bir parçası haline gelmiştir. Yapay sinir ağlarının kullanıldığı çalışma alanlarından birisi de ulaşımdır. Ulaşım alanında olası kazaların azaltılması amacıyla sürücü destek sistemleri uygulamalarında yapay zeka kullanılmaktadır. Bu çalışmada hem trafik işaret levhalarının fotoğraflarının çekilmesiyle bireysel olarak oluşturulan veri seti hem de açık kaynak erişimli internet sitesinden (kaggle.com) elde edilen veri seti olmak üzere toplamda 4000 adet trafik işaret levhası görüntüsüne ait resimlerden oluşan veri seti kullanılmıştır. Veri seti 3200 adet eğitim verisi ve 800 adet test verisi içermektedir. Hazırlanan veri setleri CNN (Evrişimli Sinir Ağları) modeliyle birlikte ResNet50, MobileNetV2 ve NASNetMobile olmak üzere üç farklı derin öğrenme metoduyla eğitilerek eğitim doğruluğu, test doğruluğu, eğitim kaybı ve test kaybı faktörlerine göre performansları değerlendirilmiştir. ResNet50 metoduyla eğitim doğruluğu %97.62, test doğruluğu %78.75, eğitim kaybı %0.1 ve test kaybı %6.28 olmuştur. MobileNetV2 metoduyla eğitim doğruluğu %97.8, test doğruluğu %48.12, eğitim kaybı %0.38 ve test kaybı %38.34 olmuştur. NASNetMobile metoduyla eğitim doğruluğu %98.56, test doğruluğu %41.56, eğitim kaybı %0.1 ve test kaybı %17.28 olmuştur.

show abstract

Section: Introductionunclassified

Yapay Zekâ Kullanilarak Trafi̇k İşaret Levhalarinin Siniflandirilmasi: Deni̇zli̇ İl Merkezi̇ İçi̇n Örnek Bi̇r Uygulama

Bayrakçı¹,

PALANDIZ²,

Özkahraman³

2021

International Journal of 3D Printing Technologies and Digital Industry

View full text Add to dashboard Cite

show abstract

Intrusion Detection Using Machine Learning and Deep Learning Models on Cyber Security Attacks

Khan,

Junaid Khan,

Bangash

et al. 2024

VFAST trans. softw. eng.

View full text Add to dashboard Cite

To detect and stop harmful activity in computer networks, network intrusion detection is an essential part of cybersecurity defensive systems. It is becoming more difficult for traditional rule-based techniques to identify new attack vectors in the face of the increasing complexity and diversity of cyber threats. Machine learning (ML) and deep learning (DL) models can analyze vast amounts of network traffic data and automatically identify patterns and anomalies, there has been a surge in interest in using these models for network intrusion detection. This paper examines the approaches, algorithms, and real-world applications of machine learning and deep learning techniques for network intrusion detection in order to present a thorough review of the state-of-the-art in countering cyber threats. We assess ML and DL-based intrusion detection systems' effectiveness, strengths, and weaknesses in a range of attack scenarios and network environments by synthesizing current literature and empirical research. Additionally, we talk about new developments, obstacles, and paths forward in the areas of transfer learning, adversarial robustness, and ensemble learning. The understanding gained from this investigation clarifies the potential of ML and DL models in strengthening defenses against changing cyber threats, reducing risks, and protecting vital assets. In deep learning autoencode accuracy 68\% less than other models. The performance of the CNN and LSTM algorithm is impressive and outperformed with 100\% accuracy on cyber security attacks datasets. Machine learning algorithm accuracy rate of SVM and KNN 100\% while logistic regression accuracy is 99\% GNB accuracy 80\% with training data of the models. The overall models perforamance deep learning increadible accuracy with 100\% on the training and testing data.

show abstract

Determination of Vehicle Type by Image Classification Methods for a Sample Traffic Intersection in Isparta Province

Cited by 2 publications

References 20 publications

Yapay Zekâ Kullanilarak Trafi̇k İşaret Levhalarinin Siniflandirilmasi: Deni̇zli̇ İl Merkezi̇ İçi̇n Örnek Bi̇r Uygulama

Yapay Zekâ Kullanilarak Trafi̇k İşaret Levhalarinin Siniflandirilmasi: Deni̇zli̇ İl Merkezi̇ İçi̇n Örnek Bi̇r Uygulama

Intrusion Detection Using Machine Learning and Deep Learning Models on Cyber Security Attacks

Contact Info

Product

Resources

About