Karaaslan, Mahmut

Profile URL:
Job Title:Arş. Gör. Uzm.
Email Address:mkaraaslan@ktun.edu.tr
Main Affiliation:10.01. Department of Computer Engineering
Status: Current Staff
Website: https://www.ktun.edu.tr/tr/Universite/PersonelBilgi/?prsnl=E2RvvcP9k+RREnmaoqgWT6OZkmQO1LQTjsGyz46vIVjfcTF+6EF0kWqJ9kDn/WKBZdqfB25lDRZYK2Vinl93mA==
ORCID:ORCID Profile0009-0002-9386-5806
YÖK Akademik: 9DC2851A796527BD
Google Scholar:Google Scholar Profilee2goThwAAAAJ
Web of Science ID:Web of Science ProfileLZZ-3224-2025
Name Variants:
K., Mahmut Karaaslan, M.
Full item page

Filters

2024 - 20264

Settings

Author of Publication: search.filters.isAuthorOfPublication.db184ac3-adb0-4f98-b2c5-11342d4b0ec0

Scholarly Output Search Results

Now showing 1 - 4 of 4
  • Master Thesis
    GNSS Sinyal Kayıplarında İHA'ların Konumlandırılması için Derin Öğrenme Tabanlı Görsel ve Ataletsel Veri Füzyonu
    (2025) Karaaslan, Mahmut; Kaya, Ersin
    Son yıllarda İnsansız Hava Araçları (İHA) birçok uygulama alanında kullanılmaya başlanmıştır. İHA'ların kullanıldığı uygulamalarda konum bilgisinin doğruluğu bu uygulamaların başarısını doğrudan etkilemektedir. Konum bilgisi için yaygın olarak Küresel Konum Belirleme Sistemleri (Global Navigation Satellite System (GNSS)) kullanılmaktadır. Ancak GNSS kapalı veya zorlu ortamlarda kesintiye uğramaktadır. Bu durumun önüne geçmek ve sağlıklı bir konumlandırma sağlamak için GNSS sinyalinden bağımsız çalışabilen birçok yöntem önerilmiştir. Özellikle iç ortam konumlandırmada başarılı olan GNSS bağımsız yöntemlerde Görsel ve Ataletsel veriler ayrı ayrı veya birleştirilerek kullanılmıştır. Konumlandırma için yapılan ilk çalışmalarda klasik görüntü ve sensör işleme yöntemleri kullanılmaya başlansa da derin öğrenme alanında yaşanan gelişmeler bu alanı da etkilemiştir. Son yıllarda konumlandırmada klasik yöntemler ile yapılan birçok işlem için derin öğrenme tabanlı yöntemler önerilmiş ve başarılı olmuştur. Derin öğrenme tabanlı yöntemler klasik yöntemlerin önüne geçmeye başlasa da her iki yöntem türünün gelişimi devam etmiştir. Bu tez çalışmasında ise GNSS sinyal kayıplarının yaşandığı durumlarda İHA konumlandırılması amacıyla Derin Dikkat Tabanlı Görsel Ataletsel Konumlandırma Sistemi önerilmiştir. Görsel verilerin işlenmesi ve konumlandırma özelliklerinin çıkartılması için dikkat mekanizması entegre edilmiş Evrişimli Sinir Ağı (Convolutional Neural Network (CNN)) önerilmiştir. Ataletsel verilerin işlenmesi ve konumlandırma özelliklerinin çıkartılması için Dikkat Tabanlı Hiyerarşik Uzun Kısa Süreli Bellek (Attention-based Hierarchical Long Short-Term Memory (AHLSTM)) modeli kullanılmıştır. Dikkat mekanizmaları ile elde edilen görsel ve ataletsel özellikler, derin öğrenme tabanlı birleştirme yapılarıyla entegre edilerek yüksek doğrulukta konum tahmini gerçekleştirilmiştir. Görsel ve ataletsel verilerde dikkat mekanizmasının kullanılması konum belirleme açısından öne çıkan bölgelere odaklanmayı sağlayarak önemli bir performans artışı sağlamıştır. Ayrıca tez kapsamında yalnızca Ataletsel Ölçüm Birimi (IMU) verilerine dayanan özgün bir konumlandırma yaklaşımı da sunulmuştur. Bu yöntemde IMU verileri doğrudan konum bilgisi üretmek yerine uzaydaki konumsal değişimi modellemek amacıyla kullanılmıştır. Geliştirilen sistemler açık kaynaklı ve simülasyon ortamında oluşturulan veri setlerinde test edilmiştir. Sonuçlar dikkat mekanizmalarının görsel ve ataletsel verilerle birlikte kullanıldığında GNSS bağımsız güvenilir ve yüksek doğrulukta konumlandırma sağladığını göstermektedir.
  • Other
    Evaluation Monocular Depth Estimation Model for UAV Applications
    (2026) Kaya, Ersin; Karaaslan, Mahmut; Abubaker, Ahmed; Saadeldin, Mohamed
  • Other
    Evaluation Monocular Depth Estimation Model for UAVApplications
    (2026) Kaya, Ersin; Karaaslan, Mahmut; Abubaker, Ahmed; Saadeldin, Mohamed
  • Article
    Citation - WoS: 5
    Citation - Scopus: 5
    Voice Analysis in Dogs With Deep Learning: Development of a Fully Automatic Voice Analysis System for Bioacoustics Studies
    (Mdpi, 2024-12-13) Karaaslan, Mahmut; Turkoglu, Bahaeddin; Kaya, Ersin; Asuroglu, Tunc
    Extracting behavioral information from animal sounds has long been a focus of research in bioacoustics, as sound-derived data are crucial for understanding animal behavior and environmental interactions. Traditional methods, which involve manual review of extensive recordings, pose significant challenges. This study proposes an automated system for detecting and classifying animal vocalizations, enhancing efficiency in behavior analysis. The system uses a preprocessing step to segment relevant sound regions from audio recordings, followed by feature extraction using Short-Time Fourier Transform (STFT), Mel-frequency cepstral coefficients (MFCCs), and linear-frequency cepstral coefficients (LFCCs). These features are input into convolutional neural network (CNN) classifiers to evaluate performance. Experimental results demonstrate the effectiveness of different CNN models and feature extraction methods, with AlexNet, DenseNet, EfficientNet, ResNet50, and ResNet152 being evaluated. The system achieves high accuracy in classifying vocal behaviors, such as barking and howling in dogs, providing a robust tool for behavioral analysis. The study highlights the importance of automated systems in bioacoustics research and suggests future improvements using deep learning-based methods for enhanced classification performance.
No research topics data found.

Sustainable Development Goals

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

1

Citations

5

Go to WoS profile
No records found in other affiliations.
JournalCount
SSRN Electronic Journal2
Sensors1
Current Page: 1 / 1
Scholarly Output

4

Articles

1

Views / Downloads

15/0

Supervised MSc Theses

1

Supervised PhD Theses

0

WoS Citation Count

5

Scopus Citation Count

5

Patents

0

Projects

0

WoS Citations per Publication

1.25

Scopus Citations per Publication

1.25

Open Access Source

3

Supervised Theses

1

Scopus Quartile Distribution

Competency Cloud

GCRIS Competency Cloud