From 9e633d8977bcea38e38160a27877f14e98c793aa Mon Sep 17 00:00:00 2001 From: brsata Date: Thu, 7 Mar 2024 11:39:47 +0000 Subject: [PATCH] =?UTF-8?q?Deploying=20to=20gh-pages=20from=20@=20cukurova?= =?UTF-8?q?ai/cukurovaai.github.io@239730767af7eb7e77a5d687a1bed543ed3fe6c?= =?UTF-8?q?6=20=F0=9F=9A=80?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- 404.html | 2 +- blog/2022/index.html | 2 +- blog/index.html | 2 +- feed.xml | 2 +- index.html | 2 +- news/announcement_1/index.html | 2 +- news/announcement_20240228/index.html | 1 + news/index.html | 2 +- projects/every_fish/index.html | 2 +- projects/index.html | 2 +- projects/topraksiz_tarim/index.html | 2 +- projects/uav_lqr/index.html | 2 +- projects/video_stabilization/index.html | 2 +- publications/index.html | 2 +- sitemap.xml | 2 +- team/bata/index.html | 2 +- team/index.html | 2 +- team/msarigul/index.html | 2 +- team/skartal/index.html | 2 +- tr/404.html | 2 +- tr/blog/2022/index.html | 2 +- tr/blog/index.html | 2 +- tr/feed.xml | 2 +- tr/index.html | 2 +- tr/news/announcement_1/index.html | 2 +- tr/news/announcement_20240228/index.html | 1 + tr/news/index.html | 2 +- tr/projects/every_fish/index.html | 2 +- tr/projects/index.html | 2 +- tr/projects/topraksiz_tarim/index.html | 2 +- tr/projects/uav_lqr/index.html | 2 +- tr/projects/video_stabilization/index.html | 2 +- tr/publications/index.html | 2 +- tr/sitemap.xml | 2 +- tr/team/bata/index.html | 2 +- tr/team/index.html | 2 +- tr/team/msarigul/index.html | 2 +- tr/team/skartal/index.html | 2 +- 38 files changed, 38 insertions(+), 36 deletions(-) create mode 100644 news/announcement_20240228/index.html create mode 100644 tr/news/announcement_20240228/index.html diff --git a/404.html b/404.html index c8aac80..bacdcca 100644 --- a/404.html +++ b/404.html @@ -1 +1 @@ - Page Not Found | Çukurova AI

Page Not Found

Looks like there has been a mistake. Nothing exists here.

You will be redirected to the main page within 3 seconds. If not redirected, please go back to the Home Page.

.

\ No newline at end of file + Page Not Found | Çukurova AI

Page Not Found

Looks like there has been a mistake. Nothing exists here.

You will be redirected to the main page within 3 seconds. If not redirected, please go back to the Home Page.

.

\ No newline at end of file diff --git a/blog/2022/index.html b/blog/2022/index.html index 2fdc096..e267189 100644 --- a/blog/2022/index.html +++ b/blog/2022/index.html @@ -1 +1 @@ - 2022 | Çukurova AI

2022

An archive of posts from this year

\ No newline at end of file + 2022 | Çukurova AI

2022

An archive of posts from this year

\ No newline at end of file diff --git a/blog/index.html b/blog/index.html index 9c99b73..3199fb0 100644 --- a/blog/index.html +++ b/blog/index.html @@ -1 +1 @@ - blog | Çukurova AI

blog in english

blog

\ No newline at end of file + blog | Çukurova AI

blog in english

blog

\ No newline at end of file diff --git a/feed.xml b/feed.xml index 5c0a988..70d35bb 100644 --- a/feed.xml +++ b/feed.xml @@ -1 +1 @@ -Jekyll2023-09-18T10:58:05+00:00https://cukurovaai.github.io/feed.xmlblankDisplaying External Posts on Your al-folio Blog2022-04-23T23:20:09+00:002022-04-23T23:20:09+00:00https://cukurovaai.github.io/blog/2022/displaying-external-posts-on-your-al-folio-blog \ No newline at end of file +Jekyll2024-03-07T11:39:32+00:00https://cukurovaai.github.io/feed.xmlblankDisplaying External Posts on Your al-folio Blog2022-04-23T23:20:09+00:002022-04-23T23:20:09+00:00https://cukurovaai.github.io/blog/2022/displaying-external-posts-on-your-al-folio-blog \ No newline at end of file diff --git a/index.html b/index.html index 0729d0a..a8d3f82 100644 --- a/index.html +++ b/index.html @@ -1 +1 @@ - Çukurova AI

Çukurova AI

Cukurova Applied Artificial Intelligence Research Group

cukurovaai.png

cukurovaai@cu.edu.tr

Cukurova University

Department of Computer Engineering

We firmly believe in the transformative power of artificial intelligence to revolutionize industries, boost productivity, and enhance the quality of human life.

At the Cukurova Applied Artificial Intelligence Research Group, our mission is to bridge the gap between theoretical advancements in various fields and their practical application to drive technological progress. Collaboration lies at the heart of our philosophy, as we aim to initiate joint projects in the field of artificial intelligence, particularly by partnering with researchers from diverse disciplines at Çukurova University.

We firmly believe that artificial intelligence technologies hold the potential to address challenges across sectors such as healthcare, energy, agriculture, automotive, and many more. Our focus is to provide expert support to researchers in these domains, helping them leverage artificial intelligence applications effectively. Our group boasts expertise in areas including artificial intelligence, machine learning, deep learning, computer vision, and robotics. By forming interdisciplinary teams with our researchers specializing in these areas, we aim to undertake diverse projects and deliver practical applications.

Collaboration with academic and industrial partners is of utmost importance to us. Leveraging Cukurova University’s robust infrastructure, knowledge base, and innovative approach, we strive to provide industry-driven solutions.

We invite you to explore our work, reach out to our team, and join us in our pursuit to push the boundaries of artificial intelligence research and its real-world applications.

Together, let’s shape a future empowered by intelligent technologies.

News

Jun 16, 2023 Çukurova Applied Artificial Intelligence Research Group has been established :rocket:

Selected Publications

\ No newline at end of file + Çukurova AI

Çukurova AI

Cukurova Applied Artificial Intelligence Research Group

cukurovaai.png

cukurovaai@cu.edu.tr

Cukurova University

Department of Computer Engineering

We firmly believe in the transformative power of artificial intelligence to revolutionize industries, boost productivity, and enhance the quality of human life.

At the Cukurova Applied Artificial Intelligence Research Group, our mission is to bridge the gap between theoretical advancements in various fields and their practical application to drive technological progress. Collaboration lies at the heart of our philosophy, as we aim to initiate joint projects in the field of artificial intelligence, particularly by partnering with researchers from diverse disciplines at Çukurova University.

We firmly believe that artificial intelligence technologies hold the potential to address challenges across sectors such as healthcare, energy, agriculture, automotive, and many more. Our focus is to provide expert support to researchers in these domains, helping them leverage artificial intelligence applications effectively. Our group boasts expertise in areas including artificial intelligence, machine learning, deep learning, computer vision, and robotics. By forming interdisciplinary teams with our researchers specializing in these areas, we aim to undertake diverse projects and deliver practical applications.

Collaboration with academic and industrial partners is of utmost importance to us. Leveraging Cukurova University’s robust infrastructure, knowledge base, and innovative approach, we strive to provide industry-driven solutions.

We invite you to explore our work, reach out to our team, and join us in our pursuit to push the boundaries of artificial intelligence research and its real-world applications.

Together, let’s shape a future empowered by intelligent technologies.

News

Feb 28, 2024 Our project titled ‘Large Language Model-Enhanced Visual Simultaneous Localization and Mapping for Robot Task and Motion Planning’ has been awarded support by TÜBİTAK. :robot:
Jun 16, 2023 Çukurova Applied Artificial Intelligence Research Group has been established :rocket:

Selected Publications

\ No newline at end of file diff --git a/news/announcement_1/index.html b/news/announcement_1/index.html index d4b1d97..7f0025e 100644 --- a/news/announcement_1/index.html +++ b/news/announcement_1/index.html @@ -1 +1 @@ - Announcement_1 | Çukurova AI

Announcement_1

June 16, 2023

2023

Çukurova Applied Artificial Intelligence Research Group has been established :rocket:

\ No newline at end of file + Announcement_1 | Çukurova AI

Announcement_1

June 16, 2023

2023

Çukurova Applied Artificial Intelligence Research Group has been established :rocket:

\ No newline at end of file diff --git a/news/announcement_20240228/index.html b/news/announcement_20240228/index.html new file mode 100644 index 0000000..7403abd --- /dev/null +++ b/news/announcement_20240228/index.html @@ -0,0 +1 @@ + Announcement_20240228 | Çukurova AI

Announcement_20240228

February 28, 2024

2024

Our project titled ‘Large Language Model-Enhanced Visual Simultaneous Localization and Mapping for Robot Task and Motion Planning’ has been awarded support by TÜBİTAK. :robot:

\ No newline at end of file diff --git a/news/index.html b/news/index.html index b3cada5..2fa378f 100644 --- a/news/index.html +++ b/news/index.html @@ -1 +1 @@ - News | Çukurova AI

News

Jun 16, 2023 Çukurova Applied Artificial Intelligence Research Group has been established :rocket:
\ No newline at end of file + News | Çukurova AI

News

Feb 28, 2024 Our project titled ‘Large Language Model-Enhanced Visual Simultaneous Localization and Mapping for Robot Task and Motion Planning’ has been awarded support by TÜBİTAK. :robot:
Jun 16, 2023 Çukurova Applied Artificial Intelligence Research Group has been established :rocket:
\ No newline at end of file diff --git a/projects/every_fish/index.html b/projects/every_fish/index.html index 7b81976..01c91e4 100644 --- a/projects/every_fish/index.html +++ b/projects/every_fish/index.html @@ -1 +1 @@ - EveryFish - Digital transition of catch monitoring in European fisheries | Çukurova AI

EveryFish - Digital transition of catch monitoring in European fisheries

Horizon Europe 2021

Project Team

Researcher: Serkan Kartal, Researcher: İsmet Saygu, Researcher: Estanis Mugerza, Executive: Tom Catchpole, Researcher: Jon Ruiz, Researcher: Gorka Gabina, Researcher: Ainhoa Caballero, Researcher: Josn Antonio Fernandes, Executive: Inaki Quincoces, Researcher: Marie Storr-Paulsen, Executive: Jordan Feekings, Researcher: Bj.rn Arvid, Researcher: Arnfinn Morvik, Researcher: Sjur Ringheim Lid, Researcher: Ketil Malde, Researcher: H.kon Otter., Researcher: Jon Helge V.lstad, Executive: Helge Sagen, Researcher: Ruth Veevers, Researcher: Artjoms Gorpincenko, Researcher: Mark Fisher, Executive: Michal Mackiewicz, Executive: Gölhan Gökçe, Executive: Bent Herrmann, Researcher: Rachel Tiller, Researcher: John Reidar Mathiassen, Researcher: Lars T. Kyllingstad, Researcher: Maitri Thakur, Researcher: Emily Cowan, Executive: Sofie Vandemaele, Researcher: Hans Polet, Researcher: Els Torreele, Executive: Ricardo Da Silva Torres, Researcher: Gert Kootstra, Executive: Aloysius van Helmond

Project Description*

Optimised automatic data collection of fish size, weight and species will provide verifiable catch information and ensure correct reporting and compliance by design with fisheries regulations. It will also streamline monitoring activities for the fishing industry and regulators, and generate knowledge and data for future conservation, research and governance activities. The EU-funded EveryFish project will develop, test and promote a suite of technological innovation for a future generation Electronic Reporting System (ERS) for fully automated catch recording and reporting onboard European fishing vessels. Moreover, it will develop innovative governance strategies exploiting the automatically reported catch data. EveryFish will bring research, industry and governance actors together with technology providers so the work is grounded in the knowledge and experience of all relevant stakeholders.

\ No newline at end of file + EveryFish - Digital transition of catch monitoring in European fisheries | Çukurova AI

EveryFish - Digital transition of catch monitoring in European fisheries

Horizon Europe 2021

Project Team

Researcher: Serkan Kartal, Researcher: İsmet Saygu, Researcher: Estanis Mugerza, Executive: Tom Catchpole, Researcher: Jon Ruiz, Researcher: Gorka Gabina, Researcher: Ainhoa Caballero, Researcher: Josn Antonio Fernandes, Executive: Inaki Quincoces, Researcher: Marie Storr-Paulsen, Executive: Jordan Feekings, Researcher: Bj.rn Arvid, Researcher: Arnfinn Morvik, Researcher: Sjur Ringheim Lid, Researcher: Ketil Malde, Researcher: H.kon Otter., Researcher: Jon Helge V.lstad, Executive: Helge Sagen, Researcher: Ruth Veevers, Researcher: Artjoms Gorpincenko, Researcher: Mark Fisher, Executive: Michal Mackiewicz, Executive: Gölhan Gökçe, Executive: Bent Herrmann, Researcher: Rachel Tiller, Researcher: John Reidar Mathiassen, Researcher: Lars T. Kyllingstad, Researcher: Maitri Thakur, Researcher: Emily Cowan, Executive: Sofie Vandemaele, Researcher: Hans Polet, Researcher: Els Torreele, Executive: Ricardo Da Silva Torres, Researcher: Gert Kootstra, Executive: Aloysius van Helmond

Project Description*

Optimised automatic data collection of fish size, weight and species will provide verifiable catch information and ensure correct reporting and compliance by design with fisheries regulations. It will also streamline monitoring activities for the fishing industry and regulators, and generate knowledge and data for future conservation, research and governance activities. The EU-funded EveryFish project will develop, test and promote a suite of technological innovation for a future generation Electronic Reporting System (ERS) for fully automated catch recording and reporting onboard European fishing vessels. Moreover, it will develop innovative governance strategies exploiting the automatically reported catch data. EveryFish will bring research, industry and governance actors together with technology providers so the work is grounded in the knowledge and experience of all relevant stakeholders.

\ No newline at end of file diff --git a/projects/index.html b/projects/index.html index 0478245..9380257 100644 --- a/projects/index.html +++ b/projects/index.html @@ -1 +1 @@ - Projects | Çukurova AI

Projects

List of projects our team members are involved in.

\ No newline at end of file + Projects | Çukurova AI

Projects

List of projects our team members are involved in.

\ No newline at end of file diff --git a/projects/topraksiz_tarim/index.html b/projects/topraksiz_tarim/index.html index 9ec90e3..c172e04 100644 --- a/projects/topraksiz_tarim/index.html +++ b/projects/topraksiz_tarim/index.html @@ -1 +1 @@ - Kapalı Dikey Topraksız Tarım Yöntemiyle Model Bitki Marul Üretim Tekniklerinin Yapay Zekâ İle Optimize Edilmesi | Çukurova AI

Kapalı Dikey Topraksız Tarım Yöntemiyle Model Bitki Marul Üretim Tekniklerinin Yapay Zekâ İle Optimize Edilmesi

TAGEM-21/AR-GE/03

Project Team

Researcher: SERKAN KARTAL, Executive: BEKIR BULENT ARPACI, Researcher: HAYRIYE YILDIZ DASGAN, Researcher: NESIBE EBRU KAFKAS, Researcher: BORAN IKIZ, Researcher: Haluk SAYAN, Researcher: Dilek YILMAZ, Researcher: Fırat ATAS, Researcher: Filiz ASRI, Researcher: S. Gülden YILMAZ

Project Description

Teknolojik dönüşüm her türlü endüstriyi etkilerken, tarımın bundan etkilenmemesi mümkün görülmemektedir. Azalan tarım alanları, değişen iklim koşulları, salgın hastalıklar, artan gıda temini ve tarımdaki işgücü azalması yenilikçi teknolojilerin kullanımını zorunlu kılmaktadır. İklim değişikliğinin artan olumsuz etkileri ve salgın hastalıklar, insanlarda ve hükümetlerde gelecekte gıdaya kolay ulaşamama endişesi oluşturmaktadır. Gelecekte hedef tarım stratejilerimizi değiştirmek, suyu, enerjiyi ve yetiştirme alanlarını optimum şekilde kullanan bitki fabrikalarında dikey olarak topraksız yetiştiricilik projelerini devreye sokmak gerekebilecektir. Bitki yetiştiriciliği için gerekli tüm koşulların optimum şekilde kontrol edilebildiği, iklim değişikliğinden bağımsız, dikey katlar şeklinde alanın ve suyun en ekonomik kullanıldığı “Bitki fabrikaları” gıda üretiminin teminatı rolü ile popüler üretim modeli olarak karşımıza çıkmaktadır. Ülkemizin sahip olduğu ekolojik zenginlik ve su kaynakları iklim değişikliğinden payını almaktadır. Ülke olarak gelecek yıllarda gıda güvenliği konusunda tedbir almak adına, zaman geçirmeden kapalı mekanlarda kontrollü dikey tarım yetiştiriciliğinin bitkisel, endüstriyel ve ekonomik açılardan her yönüyle incelenmesi gerekmektedir. Sunulan projede model bitki olarak marul seçilmiştir. Kapalı mekanda dikey su kültürü teknikleri ile marul yetiştiriciliğinde gerekli çevresel şartların; gece-gündüz sıcaklıkları, karanlık-ışık periyotları, CO2 gübrelemesi ve LED aydınlatması farklı kombinasyonları ile 36 yetiştiricilik denemesi yapılarak üretim verileri yapay zeka teknolojisi ile makineye öğretilecektir. Makine öğrenmesinden sonra pratikte gerçekleştirmenin çok zaman alacağı 28800 bağımsız yetiştiricilik denemesine denk gelen veri tahminlemesi elde edilebilecektir. Böylece marul üretimin optimal koşulları yapay zeka teknolojisi ile tahmin edilebilecektir.

Bu proje kapsamında proje yürütücüsü kurumun tarım ve yapay zeka konularındaki uzmanlığı, bitki fabrikası üreten proje ortağı özel şirketin endüstriyel ve bilişim teknolojilerindeki uzmanlığı bileştirilerek ortak bir çalışma gerçekleştirilecek, yeşil bitki fabrikalarında su kültürü teknikleri ile dikey sistemlerde optimum yetiştiriciliğin yapay zeka ile simülasyonu yapılacaktır. Gelişen sensör teknolojisi, büyük veriyi ele alabilecek algoritmalar ve yapay zeka teknikleri sayesinde tarımsal verimliliği ve ürün kalitesini arttıracak, enerji tüketimi ve diğer giderleri azaltacak sistemler geliştirmek mümkün olacaktır.

Bitki yetiştirme işlemi zaman domaininde belirli parametreler göz önüne alınıp kontrol edilerek gerçekleştirilen bir işlemdir. Parametrelerin bitki gelişimine etkilerini öğrenerek, hasat edilecekleri zamana dair gelişimleri ile ilgili çıkarım yapabilmek karar destek makineleri (support vector machine-SVM) ve rassal ormanlar (random forest- RF) gibi yaygın olarak kullanılan makine öğrenmesi algoritmaları ve veri setinin büyüklüğüne ve karmaşıklığına uygun olarak tasarlanacak çok katmanlı yapay sinir ağı modelleri ile mümkün olabilmektedir. Buna göre, hasat zamanında ölçülen parametreler (hava kök ortamında EC, pH, CO2, Işık Yoğunluğu, sıcaklık, O2, vb.) ile elde edilen sonuçlar ( Yaş ağırlık, kuru ağırlık, yaprak kalınlığı, vitaminler, besin içerikleri vb.)arasında ilişki kurularak optimum yetiştirme koşulları makine öğrenmesi yöntemleri ile tahmin edilebilecektir. Gerçekleştirilen ölçümler sayesinde bitkilerin gelişim süreçlerinde çevre koşullarına karşı ne gibi tepki gösterdiğine dair veriler toplanacaktır. Bu verilerin işlenmesiyle geliştirilecek olan makine öğrenmesi mimarileri sayesinde bu veriler arasındaki korelasyonları öğrenerek buna göre tahminlerde bulunan bir sistem ortaya konulacaktır.

\ No newline at end of file + Kapalı Dikey Topraksız Tarım Yöntemiyle Model Bitki Marul Üretim Tekniklerinin Yapay Zekâ İle Optimize Edilmesi | Çukurova AI

Kapalı Dikey Topraksız Tarım Yöntemiyle Model Bitki Marul Üretim Tekniklerinin Yapay Zekâ İle Optimize Edilmesi

TAGEM-21/AR-GE/03

Project Team

Researcher: SERKAN KARTAL, Executive: BEKIR BULENT ARPACI, Researcher: HAYRIYE YILDIZ DASGAN, Researcher: NESIBE EBRU KAFKAS, Researcher: BORAN IKIZ, Researcher: Haluk SAYAN, Researcher: Dilek YILMAZ, Researcher: Fırat ATAS, Researcher: Filiz ASRI, Researcher: S. Gülden YILMAZ

Project Description

Teknolojik dönüşüm her türlü endüstriyi etkilerken, tarımın bundan etkilenmemesi mümkün görülmemektedir. Azalan tarım alanları, değişen iklim koşulları, salgın hastalıklar, artan gıda temini ve tarımdaki işgücü azalması yenilikçi teknolojilerin kullanımını zorunlu kılmaktadır. İklim değişikliğinin artan olumsuz etkileri ve salgın hastalıklar, insanlarda ve hükümetlerde gelecekte gıdaya kolay ulaşamama endişesi oluşturmaktadır. Gelecekte hedef tarım stratejilerimizi değiştirmek, suyu, enerjiyi ve yetiştirme alanlarını optimum şekilde kullanan bitki fabrikalarında dikey olarak topraksız yetiştiricilik projelerini devreye sokmak gerekebilecektir. Bitki yetiştiriciliği için gerekli tüm koşulların optimum şekilde kontrol edilebildiği, iklim değişikliğinden bağımsız, dikey katlar şeklinde alanın ve suyun en ekonomik kullanıldığı “Bitki fabrikaları” gıda üretiminin teminatı rolü ile popüler üretim modeli olarak karşımıza çıkmaktadır. Ülkemizin sahip olduğu ekolojik zenginlik ve su kaynakları iklim değişikliğinden payını almaktadır. Ülke olarak gelecek yıllarda gıda güvenliği konusunda tedbir almak adına, zaman geçirmeden kapalı mekanlarda kontrollü dikey tarım yetiştiriciliğinin bitkisel, endüstriyel ve ekonomik açılardan her yönüyle incelenmesi gerekmektedir. Sunulan projede model bitki olarak marul seçilmiştir. Kapalı mekanda dikey su kültürü teknikleri ile marul yetiştiriciliğinde gerekli çevresel şartların; gece-gündüz sıcaklıkları, karanlık-ışık periyotları, CO2 gübrelemesi ve LED aydınlatması farklı kombinasyonları ile 36 yetiştiricilik denemesi yapılarak üretim verileri yapay zeka teknolojisi ile makineye öğretilecektir. Makine öğrenmesinden sonra pratikte gerçekleştirmenin çok zaman alacağı 28800 bağımsız yetiştiricilik denemesine denk gelen veri tahminlemesi elde edilebilecektir. Böylece marul üretimin optimal koşulları yapay zeka teknolojisi ile tahmin edilebilecektir.

Bu proje kapsamında proje yürütücüsü kurumun tarım ve yapay zeka konularındaki uzmanlığı, bitki fabrikası üreten proje ortağı özel şirketin endüstriyel ve bilişim teknolojilerindeki uzmanlığı bileştirilerek ortak bir çalışma gerçekleştirilecek, yeşil bitki fabrikalarında su kültürü teknikleri ile dikey sistemlerde optimum yetiştiriciliğin yapay zeka ile simülasyonu yapılacaktır. Gelişen sensör teknolojisi, büyük veriyi ele alabilecek algoritmalar ve yapay zeka teknikleri sayesinde tarımsal verimliliği ve ürün kalitesini arttıracak, enerji tüketimi ve diğer giderleri azaltacak sistemler geliştirmek mümkün olacaktır.

Bitki yetiştirme işlemi zaman domaininde belirli parametreler göz önüne alınıp kontrol edilerek gerçekleştirilen bir işlemdir. Parametrelerin bitki gelişimine etkilerini öğrenerek, hasat edilecekleri zamana dair gelişimleri ile ilgili çıkarım yapabilmek karar destek makineleri (support vector machine-SVM) ve rassal ormanlar (random forest- RF) gibi yaygın olarak kullanılan makine öğrenmesi algoritmaları ve veri setinin büyüklüğüne ve karmaşıklığına uygun olarak tasarlanacak çok katmanlı yapay sinir ağı modelleri ile mümkün olabilmektedir. Buna göre, hasat zamanında ölçülen parametreler (hava kök ortamında EC, pH, CO2, Işık Yoğunluğu, sıcaklık, O2, vb.) ile elde edilen sonuçlar ( Yaş ağırlık, kuru ağırlık, yaprak kalınlığı, vitaminler, besin içerikleri vb.)arasında ilişki kurularak optimum yetiştirme koşulları makine öğrenmesi yöntemleri ile tahmin edilebilecektir. Gerçekleştirilen ölçümler sayesinde bitkilerin gelişim süreçlerinde çevre koşullarına karşı ne gibi tepki gösterdiğine dair veriler toplanacaktır. Bu verilerin işlenmesiyle geliştirilecek olan makine öğrenmesi mimarileri sayesinde bu veriler arasındaki korelasyonları öğrenerek buna göre tahminlerde bulunan bir sistem ortaya konulacaktır.

\ No newline at end of file diff --git a/projects/uav_lqr/index.html b/projects/uav_lqr/index.html index 47fb257..ec336db 100644 --- a/projects/uav_lqr/index.html +++ b/projects/uav_lqr/index.html @@ -1 +1 @@ - Optimization of LQR Controller Parameters for Trajectory Tracking of a UAV | Çukurova AI

Optimization of LQR Controller Parameters for Trajectory Tracking of a UAV

Research Fund of Cukurova University

Barış Ata (Executive), Mashar Cenk Gençal

Abstract: Linear Quadratic Regulator (LQR) is one of the most prevalent methods used in the control of unmanned aerial vehicles. LQR controllers are commonly employed in the control of both linear and non-linear systems due to their advantages such as easy-to-apply and high-performance structure. However, there is one main difficulty that plays a significant role in the manner of determining the gain for the control signal: choosing appropriate weighting matrices. The selection of these matrices that directly affect the controller performance is generally performed by trial and error, which is laborious and time-consuming. Accordingly, various optimization algorithms have been utilized to determine the weighting matrices of the LQR controller. In this paper, the weighting matrices of the designed LQR controller were obtained using Standard Genetic Algorithm, Differential Evolution, Particle Swarm Optimization, and Grey Wolf Optimization algorithms. The obtained weighting matrices of the LQR controller were tested on an unmanned aerial vehicle simulation, and the performances of optimization algorithms were presented comparatively.

This project was supported by the Research Fund of Cukurova University. Project Number: FBA-2022-14643.

\ No newline at end of file + Optimization of LQR Controller Parameters for Trajectory Tracking of a UAV | Çukurova AI

Optimization of LQR Controller Parameters for Trajectory Tracking of a UAV

Research Fund of Cukurova University

Barış Ata (Executive), Mashar Cenk Gençal

Abstract: Linear Quadratic Regulator (LQR) is one of the most prevalent methods used in the control of unmanned aerial vehicles. LQR controllers are commonly employed in the control of both linear and non-linear systems due to their advantages such as easy-to-apply and high-performance structure. However, there is one main difficulty that plays a significant role in the manner of determining the gain for the control signal: choosing appropriate weighting matrices. The selection of these matrices that directly affect the controller performance is generally performed by trial and error, which is laborious and time-consuming. Accordingly, various optimization algorithms have been utilized to determine the weighting matrices of the LQR controller. In this paper, the weighting matrices of the designed LQR controller were obtained using Standard Genetic Algorithm, Differential Evolution, Particle Swarm Optimization, and Grey Wolf Optimization algorithms. The obtained weighting matrices of the LQR controller were tested on an unmanned aerial vehicle simulation, and the performances of optimization algorithms were presented comparatively.

This project was supported by the Research Fund of Cukurova University. Project Number: FBA-2022-14643.

\ No newline at end of file diff --git a/projects/video_stabilization/index.html b/projects/video_stabilization/index.html index ce2108d..4433fac 100644 --- a/projects/video_stabilization/index.html +++ b/projects/video_stabilization/index.html @@ -1 +1 @@ - Self-Supervised Deep Learning Approach for Video Stabilization | Çukurova AI

Self-Supervised Deep Learning Approach for Video Stabilization

ARDEB 3501

Mehmet SARIGÜL (Execuitve), Levent KARACAN

Abstract: In video recordings taken with mobile devices such as handheld cameras, head cameras, mobile phones, undesired visual effects are formed such as shaking, flickering or periodic camera movements. The processes that eliminate these undesired effects are called as video stabilization. With the need to shoot video from moving platforms such as cars, unmanned aircrafts, wearable devices, the need for inexpensive and effective video stabilization has also increased. Although certain types of high-frequency motion effects can be eliminated with special equipment placed on camera systems, these equipment are both expensive and power consuming. In addition, motion range and degrees of freedom are limited in these systems. To overcome these limitations, computer vision methods basically try to estimate undesired motion between video frames by tracking various types of visual features, and then they correct camera path by warping scenes according to the estimated motion. In these methods, selecting the correct visual features and tracking algorithm is crucial for the performance of the method. As a result, the problem arises of determining which feature extractors and tracking algorithms should be used for different types of scenes. Unlike these methods that are difficult to adapt to new types of scenes and costly in terms of computation, learning-based methods have been developed. in recent years. However, these works use supervised learning methods that need a dataset containing a limited number of scenes with both stable and unstable pairs of the same scene obtained with special equipment. Hence, obtained models are dataset dependent and cannot be easily adapted to new scenes in different context and semantics.

In this project, we will explore to use unsupervised learning techniques on a video processing problem. More specifically, a novel self-supervised video stabilization method which does not require stable video supervision during training will be developed to overcome the dataset barrier in recent supervised learning methods and fill the gap of unsupervised video stabilization. Producing new dataset with proper labels is expensive and time-consuming even though abundance of unlabeled data. With this research, we will demonstrate that camera movements for video stabilization can be generated synthetically from the data itself and this can be used for training. The goal with this new self-supervised learning approach is to develop a new video stabilization model which is faster and more robust than previous non-learning-based methods and also more generalizable and more successful than deep supervised learning-based approaches which require stable video supervision. For this purpose, we will first study on learning the visual features required to distinguish desired and undesired motions in videos. Then, with the help of these visual features, a suitable self-supervised learning method will be investigated so that transformations that cause undesired motions will be predicted. In the last stage, we will develop a novel video to video translation model which translates unstable input videos to stable videos using conditional Generative Adversarial Network conditioned by predicted transformations.

The video stabilization is closely related with many other computer vision problems such as video classification, video generation, future frame prediction, motion detection, etc. Therefore, various knowledge, skills and experience related to all these problems will be gained, new researchers will be trained on related problems and thesis studies will be conducted. The video stabilization method will be developed can be used in various industrial areas such as automotive, defense industry, healthcare industry, etc. This project has also high potential to lead new projects.

videostab.github.io.

\ No newline at end of file + Self-Supervised Deep Learning Approach for Video Stabilization | Çukurova AI

Self-Supervised Deep Learning Approach for Video Stabilization

ARDEB 3501

Mehmet SARIGÜL (Execuitve), Levent KARACAN

Abstract: In video recordings taken with mobile devices such as handheld cameras, head cameras, mobile phones, undesired visual effects are formed such as shaking, flickering or periodic camera movements. The processes that eliminate these undesired effects are called as video stabilization. With the need to shoot video from moving platforms such as cars, unmanned aircrafts, wearable devices, the need for inexpensive and effective video stabilization has also increased. Although certain types of high-frequency motion effects can be eliminated with special equipment placed on camera systems, these equipment are both expensive and power consuming. In addition, motion range and degrees of freedom are limited in these systems. To overcome these limitations, computer vision methods basically try to estimate undesired motion between video frames by tracking various types of visual features, and then they correct camera path by warping scenes according to the estimated motion. In these methods, selecting the correct visual features and tracking algorithm is crucial for the performance of the method. As a result, the problem arises of determining which feature extractors and tracking algorithms should be used for different types of scenes. Unlike these methods that are difficult to adapt to new types of scenes and costly in terms of computation, learning-based methods have been developed. in recent years. However, these works use supervised learning methods that need a dataset containing a limited number of scenes with both stable and unstable pairs of the same scene obtained with special equipment. Hence, obtained models are dataset dependent and cannot be easily adapted to new scenes in different context and semantics.

In this project, we will explore to use unsupervised learning techniques on a video processing problem. More specifically, a novel self-supervised video stabilization method which does not require stable video supervision during training will be developed to overcome the dataset barrier in recent supervised learning methods and fill the gap of unsupervised video stabilization. Producing new dataset with proper labels is expensive and time-consuming even though abundance of unlabeled data. With this research, we will demonstrate that camera movements for video stabilization can be generated synthetically from the data itself and this can be used for training. The goal with this new self-supervised learning approach is to develop a new video stabilization model which is faster and more robust than previous non-learning-based methods and also more generalizable and more successful than deep supervised learning-based approaches which require stable video supervision. For this purpose, we will first study on learning the visual features required to distinguish desired and undesired motions in videos. Then, with the help of these visual features, a suitable self-supervised learning method will be investigated so that transformations that cause undesired motions will be predicted. In the last stage, we will develop a novel video to video translation model which translates unstable input videos to stable videos using conditional Generative Adversarial Network conditioned by predicted transformations.

The video stabilization is closely related with many other computer vision problems such as video classification, video generation, future frame prediction, motion detection, etc. Therefore, various knowledge, skills and experience related to all these problems will be gained, new researchers will be trained on related problems and thesis studies will be conducted. The video stabilization method will be developed can be used in various industrial areas such as automotive, defense industry, healthcare industry, etc. This project has also high potential to lead new projects.

videostab.github.io.

\ No newline at end of file diff --git a/publications/index.html b/publications/index.html index 021bed3..f78c66d 100644 --- a/publications/index.html +++ b/publications/index.html @@ -149,4 +149,4 @@ author = {Kaba, Kazım and Sarıgül, Mehmet and Avcı, Mutlu and Kandırmaz, H. Mustafa}, keywords = {Global solar radiation, Meteorological parameters, Deep learning, Turkey}, dimensions = {false} -} \ No newline at end of file +} \ No newline at end of file diff --git a/sitemap.xml b/sitemap.xml index 7a09bf0..c01dabd 100644 --- a/sitemap.xml +++ b/sitemap.xml @@ -1 +1 @@ - https://cukurovaai.github.io/news/announcement_1/ 2023-06-16T19:00:00+00:00 https://cukurovaai.github.io/blog/2022/displaying-external-posts-on-your-al-folio-blog/ 2022-04-23T23:20:09+00:00 https://cukurovaai.github.io/projects/every_fish/ 2023-09-18T10:58:05+00:00 https://cukurovaai.github.io/projects/topraksiz_tarim/ 2023-09-18T10:58:05+00:00 https://cukurovaai.github.io/projects/uav_lqr/ 2023-09-18T10:58:05+00:00 https://cukurovaai.github.io/projects/video_stabilization/ 2023-09-18T10:58:05+00:00 https://cukurovaai.github.io/team/bata/ 2023-09-18T10:58:05+00:00 https://cukurovaai.github.io/team/msarigul/ 2023-09-18T10:58:05+00:00 https://cukurovaai.github.io/team/skartal/ 2023-09-18T10:58:05+00:00 https://cukurovaai.github.io/ https://cukurovaai.github.io/news/ https://cukurovaai.github.io/projects/ https://cukurovaai.github.io/publications/ https://cukurovaai.github.io/team/ https://cukurovaai.github.io/blog/2022/ \ No newline at end of file + https://cukurovaai.github.io/news/announcement_1/ 2023-06-16T19:00:00+00:00 https://cukurovaai.github.io/news/announcement_20240228/ 2024-02-28T19:00:00+00:00 https://cukurovaai.github.io/blog/2022/displaying-external-posts-on-your-al-folio-blog/ 2022-04-23T23:20:09+00:00 https://cukurovaai.github.io/projects/every_fish/ 2024-03-07T11:39:32+00:00 https://cukurovaai.github.io/projects/topraksiz_tarim/ 2024-03-07T11:39:32+00:00 https://cukurovaai.github.io/projects/uav_lqr/ 2024-03-07T11:39:32+00:00 https://cukurovaai.github.io/projects/video_stabilization/ 2024-03-07T11:39:32+00:00 https://cukurovaai.github.io/team/bata/ 2024-03-07T11:39:32+00:00 https://cukurovaai.github.io/team/msarigul/ 2024-03-07T11:39:32+00:00 https://cukurovaai.github.io/team/skartal/ 2024-03-07T11:39:32+00:00 https://cukurovaai.github.io/ https://cukurovaai.github.io/news/ https://cukurovaai.github.io/projects/ https://cukurovaai.github.io/publications/ https://cukurovaai.github.io/team/ https://cukurovaai.github.io/blog/2022/ \ No newline at end of file diff --git a/team/bata/index.html b/team/bata/index.html index a0a440a..de5c5c9 100644 --- a/team/bata/index.html +++ b/team/bata/index.html @@ -1 +1 @@ - Asst. Prof. | Çukurova AI

Barış Ata

faculty

\ No newline at end of file + Asst. Prof. | Çukurova AI

Barış Ata

faculty

\ No newline at end of file diff --git a/team/index.html b/team/index.html index 913e5b6..44ca8b8 100644 --- a/team/index.html +++ b/team/index.html @@ -1 +1 @@ - Team | Çukurova AI

Team

Meet our team.

\ No newline at end of file + Team | Çukurova AI

Team

Meet our team.

\ No newline at end of file diff --git a/team/msarigul/index.html b/team/msarigul/index.html index 03713e6..4663c46 100644 --- a/team/msarigul/index.html +++ b/team/msarigul/index.html @@ -1 +1 @@ - Asst. Prof. | Çukurova AI

Mehmet Sarıgül

faculty

\ No newline at end of file + Asst. Prof. | Çukurova AI

Mehmet Sarıgül

faculty

\ No newline at end of file diff --git a/team/skartal/index.html b/team/skartal/index.html index 520cdcf..1326d4b 100644 --- a/team/skartal/index.html +++ b/team/skartal/index.html @@ -1 +1 @@ - Assoc. Prof. | Çukurova AI

Serkan Kartal

faculty

\ No newline at end of file + Assoc. Prof. | Çukurova AI

Serkan Kartal

faculty

\ No newline at end of file diff --git a/tr/404.html b/tr/404.html index 82fbc9d..79456b5 100644 --- a/tr/404.html +++ b/tr/404.html @@ -1 +1 @@ - Sayfa Bulunamadı | Çukurova AI

Sayfa Bulunamadı

Looks like there has been a mistake. Nothing exists here.

You will be redirected to the main page within 3 seconds. If not redirected, please go back to the Home Page.

3 saniye içinde anasayfaya yönlendirileceksiniz. Ana Sayfa.

\ No newline at end of file + Sayfa Bulunamadı | Çukurova AI

Sayfa Bulunamadı

Looks like there has been a mistake. Nothing exists here.

You will be redirected to the main page within 3 seconds. If not redirected, please go back to the Home Page.

3 saniye içinde anasayfaya yönlendirileceksiniz. Ana Sayfa.

\ No newline at end of file diff --git a/tr/blog/2022/index.html b/tr/blog/2022/index.html index 7be960e..81a3ec6 100644 --- a/tr/blog/2022/index.html +++ b/tr/blog/2022/index.html @@ -1 +1 @@ - 2022 | Çukurova AI

2022

Yıl

\ No newline at end of file + 2022 | Çukurova AI

2022

Yıl

\ No newline at end of file diff --git a/tr/blog/index.html b/tr/blog/index.html index 9d2d840..91c1ab2 100644 --- a/tr/blog/index.html +++ b/tr/blog/index.html @@ -1 +1 @@ - blog | Çukurova AI

blog in turkish

blog

\ No newline at end of file + blog | Çukurova AI

blog in turkish

blog

\ No newline at end of file diff --git a/tr/feed.xml b/tr/feed.xml index 8215a1b..9545bce 100644 --- a/tr/feed.xml +++ b/tr/feed.xml @@ -1 +1 @@ -Jekyll2023-09-18T10:58:17+00:00https://cukurovaai.github.io/feed.xmlblankDisplaying External Posts on Your al-folio Blog2022-04-23T23:20:09+00:002022-04-23T23:20:09+00:00https://cukurovaai.github.io/blog/2022/displaying-external-posts-on-your-al-folio-blog \ No newline at end of file +Jekyll2024-03-07T11:39:39+00:00https://cukurovaai.github.io/feed.xmlblankDisplaying External Posts on Your al-folio Blog2022-04-23T23:20:09+00:002022-04-23T23:20:09+00:00https://cukurovaai.github.io/blog/2022/displaying-external-posts-on-your-al-folio-blog \ No newline at end of file diff --git a/tr/index.html b/tr/index.html index 42d80c1..9ce611d 100644 --- a/tr/index.html +++ b/tr/index.html @@ -1 +1 @@ - Çukurova AI

Çukurova AI

Çukurova Uygulamalı Yapay Zeka Araştırma Grubu

cukurovaai.png

cukurovaai@cu.edu.tr

Çukurova Üniversitesi

Bilgisayar Mühendisliği Bölümü

Biz, yapay zekanın endüstrileri dönüştürme, verimliliği artırma ve insan yaşamını geliştirme gücüne inanıyoruz.

Çukurova Uygulamalı Yapay Zeka Araştırma Grubu olarak, teorik gelişmeleri farklı alanlarda uygulama fırsatı yaratmayı ve böylece teknolojik ilerlemeye katkı sağlamayı amaçlıyoruz. Merkezinde işbirliğinin yer aldığı bir felsefeye sahibiz. Çukurova Üniversitesi’ndeki araştırmacılar başta olmak üzere, farklı disiplinlerden araştırmacılarla bir araya gelerek, yapay zeka alanında ortak projeler yürütmeyi hedefliyoruz.

Yapay zeka teknolojilerinin sağlık, enerji, tarım, otomotiv ve daha birçok sektördeki sorunlara çözüm getirebileceğine inanıyoruz. Bu alanlarda çalışan araştırmacıların yapay zeka uygulamaları alanında ihtiyaç duydukları uzman desteğini sağlamayı hedefliyoruz. Grubumuzun uzmanlık alanları arasında yapay zeka, makine öğrenmesi, derin öğrenme, bilgisayarlı görü ve robotik bulunuyor. Bu alanlarda çalışan araştırmacılarımızla farklı disiplinlerden ekipler oluşturarak çeşitli projeler geliştirmeyi ve uygulamalar gerçekleştirmeyi istiyoruz.

Grubumuz, akademik ve endüstriyel ortaklarla işbirliği yapmaya büyük önem veriyor. Çukurova Üniversitesi’nin güçlü altyapısı, bilgi birikimi ve yenilikçi yaklaşımıyla, sektörün ihtiyaçlarına yönelik çözümler sunuyoruz.

Çalışmalarımızı keşfetmenizi, ekibimizle iletişime geçmenizi ve yapay zeka araştırmalarının ve pratik uygulamalarının sınırlarını ilerletme çabamıza katılmanızı bekliyoruz.

Birlikte, akıllı teknolojilerle güçlendirilmiş bir gelecek şekillendirelim.

Haberler

16 Haziran 2023 Çukurova Uygulamalı Yapay Zeka Araştırma Grubu kuruldu :rocket:

Seçilmiş Yayınlar

\ No newline at end of file + Çukurova AI

Çukurova AI

Çukurova Uygulamalı Yapay Zeka Araştırma Grubu

cukurovaai.png

cukurovaai@cu.edu.tr

Çukurova Üniversitesi

Bilgisayar Mühendisliği Bölümü

Biz, yapay zekanın endüstrileri dönüştürme, verimliliği artırma ve insan yaşamını geliştirme gücüne inanıyoruz.

Çukurova Uygulamalı Yapay Zeka Araştırma Grubu olarak, teorik gelişmeleri farklı alanlarda uygulama fırsatı yaratmayı ve böylece teknolojik ilerlemeye katkı sağlamayı amaçlıyoruz. Merkezinde işbirliğinin yer aldığı bir felsefeye sahibiz. Çukurova Üniversitesi’ndeki araştırmacılar başta olmak üzere, farklı disiplinlerden araştırmacılarla bir araya gelerek, yapay zeka alanında ortak projeler yürütmeyi hedefliyoruz.

Yapay zeka teknolojilerinin sağlık, enerji, tarım, otomotiv ve daha birçok sektördeki sorunlara çözüm getirebileceğine inanıyoruz. Bu alanlarda çalışan araştırmacıların yapay zeka uygulamaları alanında ihtiyaç duydukları uzman desteğini sağlamayı hedefliyoruz. Grubumuzun uzmanlık alanları arasında yapay zeka, makine öğrenmesi, derin öğrenme, bilgisayarlı görü ve robotik bulunuyor. Bu alanlarda çalışan araştırmacılarımızla farklı disiplinlerden ekipler oluşturarak çeşitli projeler geliştirmeyi ve uygulamalar gerçekleştirmeyi istiyoruz.

Grubumuz, akademik ve endüstriyel ortaklarla işbirliği yapmaya büyük önem veriyor. Çukurova Üniversitesi’nin güçlü altyapısı, bilgi birikimi ve yenilikçi yaklaşımıyla, sektörün ihtiyaçlarına yönelik çözümler sunuyoruz.

Çalışmalarımızı keşfetmenizi, ekibimizle iletişime geçmenizi ve yapay zeka araştırmalarının ve pratik uygulamalarının sınırlarını ilerletme çabamıza katılmanızı bekliyoruz.

Birlikte, akıllı teknolojilerle güçlendirilmiş bir gelecek şekillendirelim.

Haberler

28 Şubar 2024 ‘Robot Görev ve Hareket Planlaması ˙Için Büyük Dil Modeli Destekli Görsel E¸szamanlı Konum Belirleme ve Haritalandırma’ başlıklı projemiz TÜBİTAK tarafından desteklenmeye hak kazandı :robot:
16 Haziran 2023 Çukurova Uygulamalı Yapay Zeka Araştırma Grubu kuruldu :rocket:

Seçilmiş Yayınlar

\ No newline at end of file diff --git a/tr/news/announcement_1/index.html b/tr/news/announcement_1/index.html index 7068814..083bda7 100644 --- a/tr/news/announcement_1/index.html +++ b/tr/news/announcement_1/index.html @@ -1 +1 @@ - Announcement_1 | Çukurova AI

Announcement_1

16 Haziran 2023

2023

Çukurova Uygulamalı Yapay Zeka Araştırma Grubu kuruldu :rocket:

\ No newline at end of file + Announcement_1 | Çukurova AI

Announcement_1

16 Haziran 2023

2023

Çukurova Uygulamalı Yapay Zeka Araştırma Grubu kuruldu :rocket:

\ No newline at end of file diff --git a/tr/news/announcement_20240228/index.html b/tr/news/announcement_20240228/index.html new file mode 100644 index 0000000..8a1e316 --- /dev/null +++ b/tr/news/announcement_20240228/index.html @@ -0,0 +1 @@ + Announcement_20240228 | Çukurova AI

Announcement_20240228

28 Şubat 2024

2024

‘Robot Görev ve Hareket Planlaması ˙Için Büyük Dil Modeli Destekli Görsel E¸szamanlı Konum Belirleme ve Haritalandırma’ başlıklı projemiz TÜBİTAK tarafından desteklenmeye hak kazandı :robot:

\ No newline at end of file diff --git a/tr/news/index.html b/tr/news/index.html index 22fd732..1d0d629 100644 --- a/tr/news/index.html +++ b/tr/news/index.html @@ -1 +1 @@ - Haberler | Çukurova AI

Haberler

16 Haziran 2023 Çukurova Uygulamalı Yapay Zeka Araştırma Grubu kuruldu :rocket:
\ No newline at end of file + Haberler | Çukurova AI

Haberler

28 Şubar 2024 ‘Robot Görev ve Hareket Planlaması ˙Için Büyük Dil Modeli Destekli Görsel E¸szamanlı Konum Belirleme ve Haritalandırma’ başlıklı projemiz TÜBİTAK tarafından desteklenmeye hak kazandı :robot:
16 Haziran 2023 Çukurova Uygulamalı Yapay Zeka Araştırma Grubu kuruldu :rocket:
\ No newline at end of file diff --git a/tr/projects/every_fish/index.html b/tr/projects/every_fish/index.html index a0b8f60..2de06c9 100644 --- a/tr/projects/every_fish/index.html +++ b/tr/projects/every_fish/index.html @@ -1 +1 @@ - EveryFish - Digital transition of catch monitoring in European fisheries | Çukurova AI

EveryFish - Digital transition of catch monitoring in European fisheries

Horizon Europe 2021

Proje Ekibi

Araştırmacı: Serkan Kartal, Araştırmacı: İsmet Saygu, Araştırmacı: Estanis Mugerza, Yönetici: Tom Catchpole, Araştırmacı: Jon Ruiz, Araştırmacı: Gorka Gabina, Araştırmacı: Ainhoa Caballero, Araştırmacı: Josn Antonio Fernandes, Yönetici: Inaki Quincoces, Araştırmacı: Marie Storr-Paulsen, Yönetici: Jordan Feekings, Araştırmacı: Bj.rn Arvid, Araştırmacı: Arnfinn Morvik, Araştırmacı: Sjur Ringheim Lid, Araştırmacı: Ketil Malde, Araştırmacı: H.kon Otter., Araştırmacı: Jon Helge V.lstad, Yönetici: Helge Sagen, Araştırmacı: Ruth Veevers, Araştırmacı: Artjoms Gorpincenko, Araştırmacı: Mark Fisher, Yönetici: Michal Mackiewicz, Yönetici: Gölhan Gökçe, Yönetici: Bent Herrmann, Araştırmacı: Rachel Tiller, Araştırmacı: John Reidar Mathiassen, Araştırmacı: Lars T. Kyllingstad, Araştırmacı: Maitri Thakur, Araştırmacı: Emily Cowan, Yönetici: Sofie Vandemaele, Araştırmacı: Hans Polet, Araştırmacı: Els Torreele, Yönetici: Ricardo Da Silva Torres, Araştırmacı: Gert Kootstra, Yönetici: Aloysius van Helmond

Project Description*

Optimised automatic data collection of fish size, weight and species will provide verifiable catch information and ensure correct reporting and compliance by design with fisheries regulations. It will also streamline monitoring activities for the fishing industry and regulators, and generate knowledge and data for future conservation, research and governance activities. The EU-funded EveryFish project will develop, test and promote a suite of technological innovation for a future generation Electronic Reporting System (ERS) for fully automated catch recording and reporting onboard European fishing vessels. Moreover, it will develop innovative governance strategies exploiting the automatically reported catch data. EveryFish will bring research, industry and governance actors together with technology providers so the work is grounded in the knowledge and experience of all relevant stakeholders.

\ No newline at end of file + EveryFish - Digital transition of catch monitoring in European fisheries | Çukurova AI

EveryFish - Digital transition of catch monitoring in European fisheries

Horizon Europe 2021

Proje Ekibi

Araştırmacı: Serkan Kartal, Araştırmacı: İsmet Saygu, Araştırmacı: Estanis Mugerza, Yönetici: Tom Catchpole, Araştırmacı: Jon Ruiz, Araştırmacı: Gorka Gabina, Araştırmacı: Ainhoa Caballero, Araştırmacı: Josn Antonio Fernandes, Yönetici: Inaki Quincoces, Araştırmacı: Marie Storr-Paulsen, Yönetici: Jordan Feekings, Araştırmacı: Bj.rn Arvid, Araştırmacı: Arnfinn Morvik, Araştırmacı: Sjur Ringheim Lid, Araştırmacı: Ketil Malde, Araştırmacı: H.kon Otter., Araştırmacı: Jon Helge V.lstad, Yönetici: Helge Sagen, Araştırmacı: Ruth Veevers, Araştırmacı: Artjoms Gorpincenko, Araştırmacı: Mark Fisher, Yönetici: Michal Mackiewicz, Yönetici: Gölhan Gökçe, Yönetici: Bent Herrmann, Araştırmacı: Rachel Tiller, Araştırmacı: John Reidar Mathiassen, Araştırmacı: Lars T. Kyllingstad, Araştırmacı: Maitri Thakur, Araştırmacı: Emily Cowan, Yönetici: Sofie Vandemaele, Araştırmacı: Hans Polet, Araştırmacı: Els Torreele, Yönetici: Ricardo Da Silva Torres, Araştırmacı: Gert Kootstra, Yönetici: Aloysius van Helmond

Project Description*

Optimised automatic data collection of fish size, weight and species will provide verifiable catch information and ensure correct reporting and compliance by design with fisheries regulations. It will also streamline monitoring activities for the fishing industry and regulators, and generate knowledge and data for future conservation, research and governance activities. The EU-funded EveryFish project will develop, test and promote a suite of technological innovation for a future generation Electronic Reporting System (ERS) for fully automated catch recording and reporting onboard European fishing vessels. Moreover, it will develop innovative governance strategies exploiting the automatically reported catch data. EveryFish will bring research, industry and governance actors together with technology providers so the work is grounded in the knowledge and experience of all relevant stakeholders.

\ No newline at end of file diff --git a/tr/projects/index.html b/tr/projects/index.html index 6f8a746..67a8e8f 100644 --- a/tr/projects/index.html +++ b/tr/projects/index.html @@ -1 +1 @@ - Projeler | Çukurova AI

Projeler

Ekip üyelerimizin dahil olduğu projelerin listesi.

Avrupa Birliği

TÜBİTAK

TAGEM

Yükseköğretim Kurumları

\ No newline at end of file + Projeler | Çukurova AI

Projeler

Ekip üyelerimizin dahil olduğu projelerin listesi.

Avrupa Birliği

TÜBİTAK

TAGEM

Yükseköğretim Kurumları

\ No newline at end of file diff --git a/tr/projects/topraksiz_tarim/index.html b/tr/projects/topraksiz_tarim/index.html index d0078c2..f1a7497 100644 --- a/tr/projects/topraksiz_tarim/index.html +++ b/tr/projects/topraksiz_tarim/index.html @@ -1 +1 @@ - Kapalı Dikey Topraksız Tarım Yöntemiyle Model Bitki Marul Üretim Tekniklerinin Yapay Zekâ İle Optimize Edilmesi | Çukurova AI

Kapalı Dikey Topraksız Tarım Yöntemiyle Model Bitki Marul Üretim Tekniklerinin Yapay Zekâ İle Optimize Edilmesi

TAGEM-21/AR-GE/03

Proje Ekibi

Araştırmacı: SERKAN KARTAL, Yürütücü: BEKIR BULENT ARPACI, Araştırmacı: HAYRIYE YILDIZ DASGAN, Araştırmacı: NESIBE EBRU KAFKAS, Araştırmacı: BORAN IKIZ, Araştırmacı: Haluk SAYAN, Araştırmacı: Dilek YILMAZ, Araştırmacı: Fırat ATAS, Araştırmacı: Filiz ASRI, Araştırmacı: S. Gülden YILMAZ

Proje Özeti

Teknolojik dönüşüm her türlü endüstriyi etkilerken, tarımın bundan etkilenmemesi mümkün görülmemektedir. Azalan tarım alanları, değişen iklim koşulları, salgın hastalıklar, artan gıda temini ve tarımdaki işgücü azalması yenilikçi teknolojilerin kullanımını zorunlu kılmaktadır. İklim değişikliğinin artan olumsuz etkileri ve salgın hastalıklar, insanlarda ve hükümetlerde gelecekte gıdaya kolay ulaşamama endişesi oluşturmaktadır. Gelecekte hedef tarım stratejilerimizi değiştirmek, suyu, enerjiyi ve yetiştirme alanlarını optimum şekilde kullanan bitki fabrikalarında dikey olarak topraksız yetiştiricilik projelerini devreye sokmak gerekebilecektir. Bitki yetiştiriciliği için gerekli tüm koşulların optimum şekilde kontrol edilebildiği, iklim değişikliğinden bağımsız, dikey katlar şeklinde alanın ve suyun en ekonomik kullanıldığı “Bitki fabrikaları” gıda üretiminin teminatı rolü ile popüler üretim modeli olarak karşımıza çıkmaktadır. Ülkemizin sahip olduğu ekolojik zenginlik ve su kaynakları iklim değişikliğinden payını almaktadır. Ülke olarak gelecek yıllarda gıda güvenliği konusunda tedbir almak adına, zaman geçirmeden kapalı mekanlarda kontrollü dikey tarım yetiştiriciliğinin bitkisel, endüstriyel ve ekonomik açılardan her yönüyle incelenmesi gerekmektedir. Sunulan projede model bitki olarak marul seçilmiştir. Kapalı mekanda dikey su kültürü teknikleri ile marul yetiştiriciliğinde gerekli çevresel şartların; gece-gündüz sıcaklıkları, karanlık-ışık periyotları, CO2 gübrelemesi ve LED aydınlatması farklı kombinasyonları ile 36 yetiştiricilik denemesi yapılarak üretim verileri yapay zeka teknolojisi ile makineye öğretilecektir. Makine öğrenmesinden sonra pratikte gerçekleştirmenin çok zaman alacağı 28800 bağımsız yetiştiricilik denemesine denk gelen veri tahminlemesi elde edilebilecektir. Böylece marul üretimin optimal koşulları yapay zeka teknolojisi ile tahmin edilebilecektir.

Bu proje kapsamında proje yürütücüsü kurumun tarım ve yapay zeka konularındaki uzmanlığı, bitki fabrikası üreten proje ortağı özel şirketin endüstriyel ve bilişim teknolojilerindeki uzmanlığı bileştirilerek ortak bir çalışma gerçekleştirilecek, yeşil bitki fabrikalarında su kültürü teknikleri ile dikey sistemlerde optimum yetiştiriciliğin yapay zeka ile simülasyonu yapılacaktır. Gelişen sensör teknolojisi, büyük veriyi ele alabilecek algoritmalar ve yapay zeka teknikleri sayesinde tarımsal verimliliği ve ürün kalitesini arttıracak, enerji tüketimi ve diğer giderleri azaltacak sistemler geliştirmek mümkün olacaktır.

Bitki yetiştirme işlemi zaman domaininde belirli parametreler göz önüne alınıp kontrol edilerek gerçekleştirilen bir işlemdir. Parametrelerin bitki gelişimine etkilerini öğrenerek, hasat edilecekleri zamana dair gelişimleri ile ilgili çıkarım yapabilmek karar destek makineleri (support vector machine-SVM) ve rassal ormanlar (random forest- RF) gibi yaygın olarak kullanılan makine öğrenmesi algoritmaları ve veri setinin büyüklüğüne ve karmaşıklığına uygun olarak tasarlanacak çok katmanlı yapay sinir ağı modelleri ile mümkün olabilmektedir.. Buna göre, hasat zamanında ölçülen parametreler (hava kök ortamında EC, pH, CO2, Işık Yoğunluğu, sıcaklık, O2, vb.) ile elde edilen sonuçlar ( Yaş ağırlık, kuru ağırlık, yaprak kalınlığı, vitaminler, besin içerikleri vb.)arasında ilişki kurularak optimum yetiştirme koşulları makine öğrenmesi yöntemleri ile tahmin edilebilecektir. Gerçekleştirilen ölçümler sayesinde bitkilerin gelişim süreçlerinde çevre koşullarına karşı ne gibi tepki gösterdiğine dair veriler toplanacaktır. Bu verilerin işlenmesiyle geliştirilecek olan makine öğrenmesi mimarileri sayesinde bu veriler arasındaki korelasyonları öğrenerek buna göre tahminlerde bulunan bir sistem ortaya konulacaktır.

\ No newline at end of file + Kapalı Dikey Topraksız Tarım Yöntemiyle Model Bitki Marul Üretim Tekniklerinin Yapay Zekâ İle Optimize Edilmesi | Çukurova AI

Kapalı Dikey Topraksız Tarım Yöntemiyle Model Bitki Marul Üretim Tekniklerinin Yapay Zekâ İle Optimize Edilmesi

TAGEM-21/AR-GE/03

Proje Ekibi

Araştırmacı: SERKAN KARTAL, Yürütücü: BEKIR BULENT ARPACI, Araştırmacı: HAYRIYE YILDIZ DASGAN, Araştırmacı: NESIBE EBRU KAFKAS, Araştırmacı: BORAN IKIZ, Araştırmacı: Haluk SAYAN, Araştırmacı: Dilek YILMAZ, Araştırmacı: Fırat ATAS, Araştırmacı: Filiz ASRI, Araştırmacı: S. Gülden YILMAZ

Proje Özeti

Teknolojik dönüşüm her türlü endüstriyi etkilerken, tarımın bundan etkilenmemesi mümkün görülmemektedir. Azalan tarım alanları, değişen iklim koşulları, salgın hastalıklar, artan gıda temini ve tarımdaki işgücü azalması yenilikçi teknolojilerin kullanımını zorunlu kılmaktadır. İklim değişikliğinin artan olumsuz etkileri ve salgın hastalıklar, insanlarda ve hükümetlerde gelecekte gıdaya kolay ulaşamama endişesi oluşturmaktadır. Gelecekte hedef tarım stratejilerimizi değiştirmek, suyu, enerjiyi ve yetiştirme alanlarını optimum şekilde kullanan bitki fabrikalarında dikey olarak topraksız yetiştiricilik projelerini devreye sokmak gerekebilecektir. Bitki yetiştiriciliği için gerekli tüm koşulların optimum şekilde kontrol edilebildiği, iklim değişikliğinden bağımsız, dikey katlar şeklinde alanın ve suyun en ekonomik kullanıldığı “Bitki fabrikaları” gıda üretiminin teminatı rolü ile popüler üretim modeli olarak karşımıza çıkmaktadır. Ülkemizin sahip olduğu ekolojik zenginlik ve su kaynakları iklim değişikliğinden payını almaktadır. Ülke olarak gelecek yıllarda gıda güvenliği konusunda tedbir almak adına, zaman geçirmeden kapalı mekanlarda kontrollü dikey tarım yetiştiriciliğinin bitkisel, endüstriyel ve ekonomik açılardan her yönüyle incelenmesi gerekmektedir. Sunulan projede model bitki olarak marul seçilmiştir. Kapalı mekanda dikey su kültürü teknikleri ile marul yetiştiriciliğinde gerekli çevresel şartların; gece-gündüz sıcaklıkları, karanlık-ışık periyotları, CO2 gübrelemesi ve LED aydınlatması farklı kombinasyonları ile 36 yetiştiricilik denemesi yapılarak üretim verileri yapay zeka teknolojisi ile makineye öğretilecektir. Makine öğrenmesinden sonra pratikte gerçekleştirmenin çok zaman alacağı 28800 bağımsız yetiştiricilik denemesine denk gelen veri tahminlemesi elde edilebilecektir. Böylece marul üretimin optimal koşulları yapay zeka teknolojisi ile tahmin edilebilecektir.

Bu proje kapsamında proje yürütücüsü kurumun tarım ve yapay zeka konularındaki uzmanlığı, bitki fabrikası üreten proje ortağı özel şirketin endüstriyel ve bilişim teknolojilerindeki uzmanlığı bileştirilerek ortak bir çalışma gerçekleştirilecek, yeşil bitki fabrikalarında su kültürü teknikleri ile dikey sistemlerde optimum yetiştiriciliğin yapay zeka ile simülasyonu yapılacaktır. Gelişen sensör teknolojisi, büyük veriyi ele alabilecek algoritmalar ve yapay zeka teknikleri sayesinde tarımsal verimliliği ve ürün kalitesini arttıracak, enerji tüketimi ve diğer giderleri azaltacak sistemler geliştirmek mümkün olacaktır.

Bitki yetiştirme işlemi zaman domaininde belirli parametreler göz önüne alınıp kontrol edilerek gerçekleştirilen bir işlemdir. Parametrelerin bitki gelişimine etkilerini öğrenerek, hasat edilecekleri zamana dair gelişimleri ile ilgili çıkarım yapabilmek karar destek makineleri (support vector machine-SVM) ve rassal ormanlar (random forest- RF) gibi yaygın olarak kullanılan makine öğrenmesi algoritmaları ve veri setinin büyüklüğüne ve karmaşıklığına uygun olarak tasarlanacak çok katmanlı yapay sinir ağı modelleri ile mümkün olabilmektedir.. Buna göre, hasat zamanında ölçülen parametreler (hava kök ortamında EC, pH, CO2, Işık Yoğunluğu, sıcaklık, O2, vb.) ile elde edilen sonuçlar ( Yaş ağırlık, kuru ağırlık, yaprak kalınlığı, vitaminler, besin içerikleri vb.)arasında ilişki kurularak optimum yetiştirme koşulları makine öğrenmesi yöntemleri ile tahmin edilebilecektir. Gerçekleştirilen ölçümler sayesinde bitkilerin gelişim süreçlerinde çevre koşullarına karşı ne gibi tepki gösterdiğine dair veriler toplanacaktır. Bu verilerin işlenmesiyle geliştirilecek olan makine öğrenmesi mimarileri sayesinde bu veriler arasındaki korelasyonları öğrenerek buna göre tahminlerde bulunan bir sistem ortaya konulacaktır.

\ No newline at end of file diff --git a/tr/projects/uav_lqr/index.html b/tr/projects/uav_lqr/index.html index 5ee42ad..f2876ec 100644 --- a/tr/projects/uav_lqr/index.html +++ b/tr/projects/uav_lqr/index.html @@ -1 +1 @@ - Bir İnsansız Hava Aracının Yörünge Takibi için LQR Denetleyici Parametrelerinin Optimizasyonu | Çukurova AI

Bir İnsansız Hava Aracının Yörünge Takibi için LQR Denetleyici Parametrelerinin Optimizasyonu

Çukurova Üniversitesi Araştırma Projeleri Birimi

Barış Ata (Yürütücü), Mashar Cenk Gençal

Özet: Lineer Kuadratik Regülatör (Linear Quadratic Regulator - LQR), insansız hava araçlarının kontrolünde kullanılan en yaygın yöntemlerden biridir. LQR denetleyicileri, kolay uygulanabilirlikleri ve yüksek performans yapıları gibi avantajlar nedeniyle genellikle doğrusal ve doğrusal olmayan sistemlerin kontrolünde kullanılırlar. Ancak, kontrol sinyali için kazançların belirlenme şeklinde önemli bir rol oynayan temel bir zorluk bulunmaktadır: uygun ağırlık matrislerini seçmek. Denetleyici performansını doğrudan etkileyen bu matrislerin seçimi genellikle deneme yanılma yoluyla gerçekleştirilir, bu da zahmetli ve zaman alıcı bir süreçtir. Bu bağlamda, LQR denetleyicisinin ağırlık matrislerini belirlemek için çeşitli optimizasyon algoritmaları kullanılmıştır. Bu çalışmada, tasarlanan LQR denetleyicisinin ağırlık matrisleri, Standart Genetik Algoritma, Diferansiyel Evrim, Parçacık Sürü Optimizasyonu ve Gri Kurt Optimizasyonu algoritmaları kullanılarak elde edilmiştir. Elde edilen LQR denetleyicisi ağırlık matrisleri bir insansız hava aracı simülasyonunda test edilmiş ve optimizasyon algoritmalarının performansları karşılaştırmalı olarak sunulmuştur.

Bu çalışma Çukurova Üniversitesi Araştırma Projeleri Birimi tarafından desteklenmiştir. Proje No: FBA-2022-14643.

\ No newline at end of file + Bir İnsansız Hava Aracının Yörünge Takibi için LQR Denetleyici Parametrelerinin Optimizasyonu | Çukurova AI

Bir İnsansız Hava Aracının Yörünge Takibi için LQR Denetleyici Parametrelerinin Optimizasyonu

Çukurova Üniversitesi Araştırma Projeleri Birimi

Barış Ata (Yürütücü), Mashar Cenk Gençal

Özet: Lineer Kuadratik Regülatör (Linear Quadratic Regulator - LQR), insansız hava araçlarının kontrolünde kullanılan en yaygın yöntemlerden biridir. LQR denetleyicileri, kolay uygulanabilirlikleri ve yüksek performans yapıları gibi avantajlar nedeniyle genellikle doğrusal ve doğrusal olmayan sistemlerin kontrolünde kullanılırlar. Ancak, kontrol sinyali için kazançların belirlenme şeklinde önemli bir rol oynayan temel bir zorluk bulunmaktadır: uygun ağırlık matrislerini seçmek. Denetleyici performansını doğrudan etkileyen bu matrislerin seçimi genellikle deneme yanılma yoluyla gerçekleştirilir, bu da zahmetli ve zaman alıcı bir süreçtir. Bu bağlamda, LQR denetleyicisinin ağırlık matrislerini belirlemek için çeşitli optimizasyon algoritmaları kullanılmıştır. Bu çalışmada, tasarlanan LQR denetleyicisinin ağırlık matrisleri, Standart Genetik Algoritma, Diferansiyel Evrim, Parçacık Sürü Optimizasyonu ve Gri Kurt Optimizasyonu algoritmaları kullanılarak elde edilmiştir. Elde edilen LQR denetleyicisi ağırlık matrisleri bir insansız hava aracı simülasyonunda test edilmiş ve optimizasyon algoritmalarının performansları karşılaştırmalı olarak sunulmuştur.

Bu çalışma Çukurova Üniversitesi Araştırma Projeleri Birimi tarafından desteklenmiştir. Proje No: FBA-2022-14643.

\ No newline at end of file diff --git a/tr/projects/video_stabilization/index.html b/tr/projects/video_stabilization/index.html index 5e9ae62..c635d0a 100644 --- a/tr/projects/video_stabilization/index.html +++ b/tr/projects/video_stabilization/index.html @@ -1 +1 @@ - Video Stabilizasyon İşlemi İçin Öz Gözetimli Derin Öğrenme Yaklaşımı | Çukurova AI

Video Stabilizasyon İşlemi İçin Öz Gözetimli Derin Öğrenme Yaklaşımı

ARDEB 3501

Mehmet SARIGÜL (Yürütücü), Levent KARACAN

Abstract: In video recordings taken with mobile devices such as handheld cameras, head cameras, mobile phones, undesired visual effects are formed such as shaking, flickering or periodic camera movements. The processes that eliminate these undesired effects are called as video stabilization. With the need to shoot video from moving platforms such as cars, unmanned aircrafts, wearable devices, the need for inexpensive and effective video stabilization has also increased. Although certain types of high-frequency motion effects can be eliminated with special equipment placed on camera systems, these equipment are both expensive and power consuming. In addition, motion range and degrees of freedom are limited in these systems. To overcome these limitations, computer vision methods basically try to estimate undesired motion between video frames by tracking various types of visual features, and then they correct camera path by warping scenes according to the estimated motion. In these methods, selecting the correct visual features and tracking algorithm is crucial for the performance of the method. As a result, the problem arises of determining which feature extractors and tracking algorithms should be used for different types of scenes. Unlike these methods that are difficult to adapt to new types of scenes and costly in terms of computation, learning-based methods have been developed. in recent years. However, these works use supervised learning methods that need a dataset containing a limited number of scenes with both stable and unstable pairs of the same scene obtained with special equipment. Hence, obtained models are dataset dependent and cannot be easily adapted to new scenes in different context and semantics.

In this project, we will explore to use unsupervised learning techniques on a video processing problem. More specifically, a novel self-supervised video stabilization method which does not require stable video supervision during training will be developed to overcome the dataset barrier in recent supervised learning methods and fill the gap of unsupervised video stabilization. Producing new dataset with proper labels is expensive and time-consuming even though abundance of unlabeled data. With this research, we will demonstrate that camera movements for video stabilization can be generated synthetically from the data itself and this can be used for training. The goal with this new self-supervised learning approach is to develop a new video stabilization model which is faster and more robust than previous non-learning-based methods and also more generalizable and more successful than deep supervised learning-based approaches which require stable video supervision. For this purpose, we will first study on learning the visual features required to distinguish desired and undesired motions in videos. Then, with the help of these visual features, a suitable self-supervised learning method will be investigated so that transformations that cause undesired motions will be predicted. In the last stage, we will develop a novel video to video translation model which translates unstable input videos to stable videos using conditional Generative Adversarial Network conditioned by predicted transformations.

The video stabilization is closely related with many other computer vision problems such as video classification, video generation, future frame prediction, motion detection, etc. Therefore, various knowledge, skills and experience related to all these problems will be gained, new researchers will be trained on related problems and thesis studies will be conducted. The video stabilization method will be developed can be used in various industrial areas such as automotive, defense industry, healthcare industry, etc. This project has also high potential to lead new projects.

videostab.github.io.

\ No newline at end of file + Video Stabilizasyon İşlemi İçin Öz Gözetimli Derin Öğrenme Yaklaşımı | Çukurova AI

Video Stabilizasyon İşlemi İçin Öz Gözetimli Derin Öğrenme Yaklaşımı

ARDEB 3501

Mehmet SARIGÜL (Yürütücü), Levent KARACAN

Abstract: In video recordings taken with mobile devices such as handheld cameras, head cameras, mobile phones, undesired visual effects are formed such as shaking, flickering or periodic camera movements. The processes that eliminate these undesired effects are called as video stabilization. With the need to shoot video from moving platforms such as cars, unmanned aircrafts, wearable devices, the need for inexpensive and effective video stabilization has also increased. Although certain types of high-frequency motion effects can be eliminated with special equipment placed on camera systems, these equipment are both expensive and power consuming. In addition, motion range and degrees of freedom are limited in these systems. To overcome these limitations, computer vision methods basically try to estimate undesired motion between video frames by tracking various types of visual features, and then they correct camera path by warping scenes according to the estimated motion. In these methods, selecting the correct visual features and tracking algorithm is crucial for the performance of the method. As a result, the problem arises of determining which feature extractors and tracking algorithms should be used for different types of scenes. Unlike these methods that are difficult to adapt to new types of scenes and costly in terms of computation, learning-based methods have been developed. in recent years. However, these works use supervised learning methods that need a dataset containing a limited number of scenes with both stable and unstable pairs of the same scene obtained with special equipment. Hence, obtained models are dataset dependent and cannot be easily adapted to new scenes in different context and semantics.

In this project, we will explore to use unsupervised learning techniques on a video processing problem. More specifically, a novel self-supervised video stabilization method which does not require stable video supervision during training will be developed to overcome the dataset barrier in recent supervised learning methods and fill the gap of unsupervised video stabilization. Producing new dataset with proper labels is expensive and time-consuming even though abundance of unlabeled data. With this research, we will demonstrate that camera movements for video stabilization can be generated synthetically from the data itself and this can be used for training. The goal with this new self-supervised learning approach is to develop a new video stabilization model which is faster and more robust than previous non-learning-based methods and also more generalizable and more successful than deep supervised learning-based approaches which require stable video supervision. For this purpose, we will first study on learning the visual features required to distinguish desired and undesired motions in videos. Then, with the help of these visual features, a suitable self-supervised learning method will be investigated so that transformations that cause undesired motions will be predicted. In the last stage, we will develop a novel video to video translation model which translates unstable input videos to stable videos using conditional Generative Adversarial Network conditioned by predicted transformations.

The video stabilization is closely related with many other computer vision problems such as video classification, video generation, future frame prediction, motion detection, etc. Therefore, various knowledge, skills and experience related to all these problems will be gained, new researchers will be trained on related problems and thesis studies will be conducted. The video stabilization method will be developed can be used in various industrial areas such as automotive, defense industry, healthcare industry, etc. This project has also high potential to lead new projects.

videostab.github.io.

\ No newline at end of file diff --git a/tr/publications/index.html b/tr/publications/index.html index efe430e..0fb1f82 100644 --- a/tr/publications/index.html +++ b/tr/publications/index.html @@ -149,4 +149,4 @@ author = {Kaba, Kazım and Sarıgül, Mehmet and Avcı, Mutlu and Kandırmaz, H. Mustafa}, keywords = {Global solar radiation, Meteorological parameters, Deep learning, Turkey}, dimensions = {false} -} \ No newline at end of file +} \ No newline at end of file diff --git a/tr/sitemap.xml b/tr/sitemap.xml index bb2f58b..90f9af3 100644 --- a/tr/sitemap.xml +++ b/tr/sitemap.xml @@ -1 +1 @@ - https://cukurovaai.github.io/news/announcement_1/ 2023-06-16T19:00:00+00:00 https://cukurovaai.github.io/blog/2022/displaying-external-posts-on-your-al-folio-blog/ 2022-04-23T23:20:09+00:00 https://cukurovaai.github.io/projects/every_fish/ 2023-09-18T10:58:17+00:00 https://cukurovaai.github.io/projects/topraksiz_tarim/ 2023-09-18T10:58:17+00:00 https://cukurovaai.github.io/projects/uav_lqr/ 2023-09-18T10:58:17+00:00 https://cukurovaai.github.io/projects/video_stabilization/ 2023-09-18T10:58:17+00:00 https://cukurovaai.github.io/team/bata/ 2023-09-18T10:58:17+00:00 https://cukurovaai.github.io/team/msarigul/ 2023-09-18T10:58:17+00:00 https://cukurovaai.github.io/team/skartal/ 2023-09-18T10:58:17+00:00 https://cukurovaai.github.io/ https://cukurovaai.github.io/news/ https://cukurovaai.github.io/projects/ https://cukurovaai.github.io/publications/ https://cukurovaai.github.io/team/ https://cukurovaai.github.io/blog/2022/ \ No newline at end of file + https://cukurovaai.github.io/news/announcement_1/ 2023-06-16T19:00:00+00:00 https://cukurovaai.github.io/news/announcement_20240228/ 2024-02-28T19:00:00+00:00 https://cukurovaai.github.io/blog/2022/displaying-external-posts-on-your-al-folio-blog/ 2022-04-23T23:20:09+00:00 https://cukurovaai.github.io/projects/every_fish/ 2024-03-07T11:39:39+00:00 https://cukurovaai.github.io/projects/topraksiz_tarim/ 2024-03-07T11:39:39+00:00 https://cukurovaai.github.io/projects/uav_lqr/ 2024-03-07T11:39:39+00:00 https://cukurovaai.github.io/projects/video_stabilization/ 2024-03-07T11:39:39+00:00 https://cukurovaai.github.io/team/bata/ 2024-03-07T11:39:39+00:00 https://cukurovaai.github.io/team/msarigul/ 2024-03-07T11:39:39+00:00 https://cukurovaai.github.io/team/skartal/ 2024-03-07T11:39:39+00:00 https://cukurovaai.github.io/ https://cukurovaai.github.io/news/ https://cukurovaai.github.io/projects/ https://cukurovaai.github.io/publications/ https://cukurovaai.github.io/team/ https://cukurovaai.github.io/blog/2022/ \ No newline at end of file diff --git a/tr/team/bata/index.html b/tr/team/bata/index.html index 1610ba9..12007b9 100644 --- a/tr/team/bata/index.html +++ b/tr/team/bata/index.html @@ -1 +1 @@ - Dr. Öğr. Üyesi | Çukurova AI

Barış Ata

faculty

\ No newline at end of file + Dr. Öğr. Üyesi | Çukurova AI

Barış Ata

faculty

\ No newline at end of file diff --git a/tr/team/index.html b/tr/team/index.html index 0918a73..a41f664 100644 --- a/tr/team/index.html +++ b/tr/team/index.html @@ -1 +1 @@ - Ekibimiz | Çukurova AI

Ekibimiz

Ekibimizle tanışın.

\ No newline at end of file + Ekibimiz | Çukurova AI

Ekibimiz

Ekibimizle tanışın.

\ No newline at end of file diff --git a/tr/team/msarigul/index.html b/tr/team/msarigul/index.html index bb87bf2..18a0535 100644 --- a/tr/team/msarigul/index.html +++ b/tr/team/msarigul/index.html @@ -1 +1 @@ - Dr. Öğr. Üyesi | Çukurova AI

Mehmet Sarıgül

faculty

\ No newline at end of file + Dr. Öğr. Üyesi | Çukurova AI

Mehmet Sarıgül

faculty

\ No newline at end of file diff --git a/tr/team/skartal/index.html b/tr/team/skartal/index.html index 418d486..137083d 100644 --- a/tr/team/skartal/index.html +++ b/tr/team/skartal/index.html @@ -1 +1 @@ - Doç. Dr. | Çukurova AI

Serkan Kartal

faculty

\ No newline at end of file + Doç. Dr. | Çukurova AI

Serkan Kartal

faculty

\ No newline at end of file