Yılmaz, Merve

Profile URL
https://hdl.handle.net/20.500.13091/11880
Name Variants
Yilmaz, M. Yilmaz, Merve
Job Title
Email Address
myilmaz@ktun.edu.tr
Main Affiliation
10.01. Department of Computer Engineering
Status
Current Staff
Website
ORCID ID
0000-0002-1551-7980
Scopus Author ID
Turkish CoHE Profile ID
474EC591D9C445B7
Google Scholar ID
WoS Researcher ID

Research Topics

Domains
Physical SciencesHealth Sciences
Fields
Computer ScienceMedicine
Subfields
Computer Vision and Pattern RecognitionSignal ProcessingRadiology, Nuclear Medicine and Imaging
Specific Research Areas
Advanced Image Processing Techniques
Advanced Vision and Imaging
Image and Signal Denoising Methods
Video Coding and Compression Technologies
Medical Imaging Techniques and Applications

Sustainable Development Goals

SDG data is not available
This researcher does not have a Scopus ID.
This researcher does not have a WoS ID.

Publication Collaboration

Affiliation Name Count
Koç University 9
Konya Technical University 2
University of Mons 1
Institut national de recherche en sciences et technologies du numérique 1
Seoul National University 1
1 / 4
Data obtained from OpenAlex
Scholarly Output

5

Articles

4

Views / Downloads

21/10

Supervised MSc Theses

1

Supervised PhD Theses

0

WoS Citation Count

26

Scopus Citation Count

25

Patents

0

Projects

0

WoS Citations per Publication

5.20

Scopus Citations per Publication

5.00

Open Access Source

2

Supervised Theses

1

JournalCount
International Journal of Machine Learning and Cybernetics2
Applied Sciences-Basel1
Applied Soft Computing1
Current Page: 1 / 1

Scopus Quartile Distribution

Competency Cloud

GCRIS Competency Cloud

Filters

2022 - 20255

Settings

Author of Publication: search.filters.isAuthorOfPublication.a7f3fa31-de8d-42eb-93f6-b221ace9000e

Scholarly Output Search Results

Now showing 1 - 5 of 5
  • Article
    Feature Fusion Using Deep Learning Algorithms in Image Classification for Security Purposes by Random Weight Network
    (MDPI, 2025-08-17) Kiran, Mustafa Servet; Seyfi, Gokhan; Yilmaz, Merve; Esme, Engin; Wang, Xizhao
    Automated threat detection in X-ray security imagery is a critical yet challenging task, where conventional deep learning models often struggle with low accuracy and overfitting. This study addresses these limitations by introducing a novel framework based on feature fusion. The proposed method extracts features from multiple and diverse deep learning architectures and classifies them using a Random Weight Network (RWN), whose hyperparameters are optimized for maximum performance. The results show substantial improvements at each stage: while the best standalone deep learning model achieved a test accuracy of 83.55%, applying the RWN to a single feature set increased accuracy to 94.82%. Notably, the proposed feature fusion framework achieved a state-of-the-art test accuracy of 97.44%. These findings demonstrate that a modular approach combining multi-model feature fusion with an efficient classifier is a highly effective strategy for improving the accuracy and generalization capability of automated threat detection systems.
  • Article
    Citation - WoS: 11
    Citation - Scopus: 11
    A Literature Review on Deep Learning Algorithms for Analysis of X-Ray Images
    (Springer Heidelberg, 2023-09-12) Kiran, Mustafa Servet; Esme, Engin; Seyfi, Gokhan; Yilmaz, Merve
    Since the invention of the X-ray beam, it has been used for useful applications in various fields, such as medical diagnosis, fluoroscopy, radiation therapy, and computed tomography. In addition, it is also widely used to identify prohibited or illegal materials using X-ray imaging in the security field. However, these procedures are generally dependent on the human factor. An operator detects prohibited objects by projecting pseudo-color images onto a computer screen. Because these processes are prone to error, much work has gone into automating the processes involved. Initial research on this topic consisted mainly of machine learning and methods using hand-crafted features. The newly developed deep learning methods have subsequently been more successful. For this reason, deep learning algorithms are a trend in recent studies and the number of publications has increased in areas such as X-ray imaging. Therefore, we surveyed the studies published in the literature on Deep Learning-based X-ray imaging to attract new readers and provide new perspectives.
  • Master Thesis
    Evrimsel Hesaplama Algoritmaları ile Yapay Sinir Ağının Bağlantı Optimizasyonu
    (Konya Teknik Üniversitesi, 2022) Yılmaz, Merve; Kıran, Mustafa Servet
    Optimizasyon, bir problem için olası çözümler arasından en uygun çözümü bulma işlemidir. Optimizasyon problemleri kârın maksimuma çıkarılmasını ya da maliyetin minimuma indirilmesini amaçlamaktadırlar. Optimizasyon yöntemleri genel olarak klasik ve sezgisel yöntemler olmak üzere iki kategoride ele alınabilir. Parametre sayısının fazla olması ve arama uzayının büyük olması gibi nedenlerden dolayı gerçek dünya problemlerini çözmede klasik optimizasyon yöntemleri yetersiz kalmaktadır. Bu gibi durumlarda sezgisel optimizasyon yöntemleri tercih edilmektedir. Sezgisel optimizasyon yöntemleri, bir amacı gerçekleştirmek için çözüme ulaşmada doğal fenomenleri kullanmaktadırlar. Doğal fenomenlerin kullanılması sürü zekâsı kavramını ortaya çıkarmaktadır. Sürü zekâsı, kendi kendini organize eden ve merkezi olmayan sistemlerin toplu davranış şeklidir. Doğada bulunan sürü zekâsına kuş sürüleri, balıklar, karınca kolonileri vb. gibi sürü halinde yaşayan canlılar örnek verilebilir. Doğada bulunan canlıların hareketlerinden esinlenilerek geliştirilen Parçacık Sürü Optimizasyonu (PSO) da bir sürü zekâsı algoritmasıdır. Biyolojik sinir hücrelerine benzer başlıca ağ tipleri Hopfield, Boltzman makineleri, tekrarlayan ağlar ve iğneli ağlardır. Bu ağların yapısı çoğu zaman rastgele olmakla beraber manuel olarak da oluşturulabilmektedir. Gün geçtikçe ilerleyen teknoloji sayesinde biyolojik sinir sistemlerini modelleyen bu yaklaşımların önü açılmıştır. Bu çalışmada biyolojik sinir hücrelerinden ilham alınarak geliştirilen yeni bir ağ mimarisi geliştirilmiştir. Oluşturulacak olan yapay sinir ağının en iyi sonucu verebilmesi amacıyla ağda bulunan bağlantılar, ikili bir problem olarak ele alınmıştır ve BPSO (İkili Parçacık Sürü Optimizasyonu) ile çözüm aranmıştır. Ayrıca yapay sinir ağında bulunan bağlantıların ağırlıkları da sürekli PSO ile optimize edilmiştir. Sonuç olarak, biyolojik sinir sistemi ile uyumlu ve farklı tiplerdeki problemlere uygulanabilen esnek ve doğruluğu yüksek bir ağ yapısı oluşturulmuştur. Oluşturulan bu ağ yapısı farklı veri setleri üzerinde uygulanarak ağırlıkları hem PSO hem de BP (Geri Yayılım) ile eğitilmiş tam bağlantılı yapay sinir ağları ile kıyaslanmıştır. Ayrıca literatürde yapay sinir ağının bağlantı optimizasyonu için sıklıkla tercih edilen evrimsel hesaplama yöntemlerinden biri olan GA (Genetik Algoritma) ile bağlantı optimizasyonu işlemi de gerçekleştirilerek önerilen yöntem ile kıyaslanmıştır. Sonuç olarak biyolojik sinir ağlarının yapısına daha uygun bir yapay sinir ağı tasarımı için bir sürü zekâsı algoritması önerilmiştir. Önerilen yöntemin performansı 4 veri seti üzerinde araştırılmış ve karşılaştırmalar yapılmıştır. Elde edilen sonuçlar yapay sinir ağı bağlantı optimizasyonun ağın sınıflandırma performansını iyileştirdiği görülmüştür.
  • Review
    Citation - WoS: 7
    Citation - Scopus: 4
    A Literature Review on Deep Learning Algorithms for Analysis of X-Ray Images
    (SPRINGER HEIDELBERG, 2023) Seyfi, Gökhan; Esme, Engin; Yılmaz, Merve; Kıran, Mustafa Servet
    Since the invention of the X-ray beam, it has been used for useful applications in various fields, such as medical diagnosis, fluoroscopy, radiation therapy, and computed tomography. In addition, it is also widely used to identify prohibited or illegal materials using X-ray imaging in the security field. However, these procedures are generally dependent on the human factor. An operator detects prohibited objects by projecting pseudo-color images onto a computer screen. Because these processes are prone to error, much work has gone into automating the processes involved. Initial research on this topic consisted mainly of machine learning and methods using hand-crafted features. The newly developed deep learning methods have subsequently been more successful. For this reason, deep learning algorithms are a trend in recent studies and the number of publications has increased in areas such as X-ray imaging. Therefore, we surveyed the studies published in the literature on Deep Learning-based X-ray imaging to attract new readers and provide new perspectives.
  • Article
    Citation - WoS: 8
    Citation - Scopus: 10
    X-Ray Image Analysis for Explosive Circuit Detection Using Deep Learning Algorithms
    (Elsevier Ltd, 2024-01-01) Seyfi, G.; Yilmaz, M.; Esme, E.; Kiran, M.S.
    X-ray imaging technologies find applications across various domains, including medical imaging in health institutions or security in military facilities and public institutions. X-ray images acquired from diverse sources necessitate analysis by either trained human experts or automated systems. In cases where concealed electronic cards potentially pose threats, such as in laptops harboring explosive triggering circuits, conventional analysis methods are challenging to detect, even when scrutinized by skilled. The present investigation is centered on the utilization of deep learning algorithms for the analysis of X-ray images of laptop computers, with the aim of identifying concealed hazardous components. To construct the dataset, some control cards such as Arduino, Raspberry Pi and Bluetooth circuits were hidden inside the 60 distinct laptop computers and were subjected to X-ray imaging, yielding a total of 5094 X-ray images. The primary objective of this study is to distinguish laptops based on the presence or absence of concealed electronic cards. To this end, a suite of deep learning models, including EfficientNet, DenseNet, DarkNet19, DarkNet53, Inception, MobileNet, ResNet18, ResNet50, ResNet101, ShuffleNet and Xception were subjected to training, testing, and comparative evaluation. The performance of these models was assessed utilizing a range of metrics, encompassing accuracy, sensitivity, specificity, precision, f-measure, and g-mean. Among the various models examined, the ShuffleNet model emerged as the top-performing one, yielding superior results in terms of accuracy (0.8355), sensitivity (0.8199), specificity (0.8530), precision (0.8490), f-measure (0.8322), and g-mean (0.8352). © 2023 Elsevier B.V.