The current study depicts the effects of different insulation materials and fuel types on the cooling and heating performance of buildings situated in hot and dry, warm and humid, composite, and cold climatic conditions in India. Ten different locations chosen from diverse climatic regions were selected, and various potential parameters for expanded polystyrene and extruded polystyrene insulation materials were evaluated. Potential parameters, such as optimal insulation thickness, annual savings, and payback period, were computed for cooling and heating requirements and were found in the ranges of 0.0428–0.891 m, 10.83–19.19 $/m², and 1.49–2.36 years for cooling, as well as 0.0063–0.1522 m, 0.29–55.92 $/m², and 0.95–6.52 years for heating, respectively. An emission analysis was also carried out for the estimation of greenhouse gas (GHG) emissions by the engagement of optimal insulation thickness for heating. The GHG emissions from natural gas, coal, and diesel by the employment of various insulating materials were found in the ranges of 5.39–11.28, 9.47–32.68, and 2.26–4.51 kg/m²-year, respectively. A correlation formulation (power) for optimal insulation thickness was also carried out. For checking the preciseness of the developed mathematical models, statistical tools were utilized, and their obtained values in the satisfactory range signified the accurateness of the developed models.

Image retrieval (IR) has become a crucial challenge in computer vision with the exponential growth of digital imagery. The existing methods employ a single hash source, which may overlook deep details in the image, and they struggle to handle the complexity and diversity of modern visual data. This study addresses this limitation by proposing a novel deep hashing-based IR method named bilateral cross hashing based on principal component analysis (BCHP). Bilateral cross hashing based on principal component analysis-image retrieval (BCHP-IR) employs the feature extraction capabilities of residual network-50 (ResNet-50) and the dimensionality reduction and information preservation properties of principal component analysis (PCA). The method extracts high-level features from query images using ResNet-50 and then compresses both features and class labels using PCA. The compressed data undergoes quantization to generate binary codes. These "bilateral" hash codes are combined to capture deep features and compared with image codes in the database. The BCHP-IR's effectiveness is demonstrated through extensive comparative analysis against reported methods, achieving superior performance metrics. On the MS-COCO dataset, BCHP-IR achieves mAP scores that are higher than the average of other benchmark algorithms by 6.3, 6.4, 6.2 and 5.0 at hash lengths of 16, 32, 48 and 64, respectively. These enhancements at those hash lengths are 4.6, 4.7, 4.8 and 4.3 for the NUS-WIDE dataset and 3.9, 2.9, 2.5 and 2.1 for the ImageNet dataset. Therefore, the proposed BCHP-IR method harnesses the power of ResNet-50 and PCA and offers a promising solution for efficient and effective image retrieval.

İleri beslemeli yapay sinir ağı modeli olan konvolüsyonel sinir ağları (CNN) görüntülerin sınıflandırılması problemlerinde sıklıkla kullanılmaktadır. Genel olarak konvolüsyon katmanı, havuzlama katmanı ve tam bağlı katmandan oluşan CNN modeli üzerinde performansı iyileştirmek amacı ile birtakım eklemeler ve değişiklikler yapılarak yeni mimariler geliştirilmiştir. Bu çalışmada geliştirilen CNN tabanlı VGG16 ve ResNet50 mimarilerine sigmoid, tanh ve ReLu aktivasyon fonksiyonlu farklı sayıda gizli katman eklenerek derin transfer öğrenme tekniği ile görüntüler sınıflandırılmış ve performansları karşılaştırılmıştır. Sınıflandırma için kullanılan veri seti meyveler ile ilgili çoklu sınıflı bir veri seti olup kurulan modellerin son katmanında 10 nöronlu softmax sınıflandırıcı kullanılmıştır. Devir sayısı 10 girilerek sınıflandırma doğruluğu (accuracy), duyarlılık (precision), geri çağırma (recall) ve f1-ölçütü olmak üzere dört farklı metrik için sonuçlar alınmıştır. Alınan sonuçlar kıyaslandığında modeller arasında ResNet50 mimarisine sigmoid aktivasyon fonksiyonlu, 256 ve 128 nöronlu iki gizli katman ve 10 nöronlu bir softmax sınıflandırıcı katmanı olmak üzere toplam üç katman eklenerek oluşturulan modelin %97.5 sınıflandırma doğruluğu değeri ile en iyi sonucu verdiği gözlemlenmiştir. Son olarak dört metrik için alınan sonuçlar Friedman ve Nemenyi post-hoc testlerine tabi tutularak istatistiksel bir analiz yapılmış, modeller arasındaki ilişki test edilmiştir. Test sonucunda oluşturulan modellerin birbirleri ile ilişkili olduğu sonucuna varılmıştır.