---

BÖLÜM I: GİRİŞ VE ARAŞTIRMA ÇERÇEVESİ

1.1. Proje Arka Planı ve Motivasyon

Sınır güvenliği ve gümrük denetimi, ulusal güvenlik ve ekonomik istikrar açısından hayati öneme sahiptir. Geleneksel gümrük denetleme süreçleri büyük ölçüde evrak incelemesi, tecrübe odaklı profilleme ve rastgele fiziksel aramaya dayanmaktadır. Bu yöntemler, hem insan hatasına açıktır hem de artan yolcu ve kargo hacmi karşısında yetersiz kalmaktadır. Dünya Gümrük Örgütü (WCO) verilerine göre, küresel ticaretin yıllık hacmi trilyon dolarlarla ifade edilirken, denetimlerin yalnızca %5-10’u fiziksel olarak yapılabilmektedir.

Projemizin temel motivasyonu, gizleme çabası içinde olan bireyleri, bilinçli risk analizi ile otomatik olarak tespit ederek, gümrük memurlarının sınırlı kaynaklarını en yüksek verimlilikle kullanmaktır. Bu çalışma, sadece bilgisayar bilimleri (Sistem Mühendisliği, Siber Güvenlik) ve Endüstri Mühendisliği prensiplerini değil, aynı zamanda Hukuk Adalet ve Psikofizyoloji disiplinlerinin kesişim noktasında yer almaktadır.

1.2. Problem Tanımı: Geleneksel Risk Analizinin Sınırlılıkları

Mevcut risk analiz sistemleri genellikle geçmiş suç kayıtları, seyahat rotası ve pasaport bilgileri gibi statik ve makro verilere odaklanmaktadır. Ancak, bir bireyin yasadışı bir faaliyeti gizleme çabası, anlık fizyolojik tepkiler (stres, korku, bilişsel yük) ve davranışsal anormallikler (mikro-ifadeler, anormal yürüyüş) şeklinde ortaya çıkar.

Temel Problem: Geleneksel sistemler, gizleme çabasının en güçlü göstergeleri olan gerçek zamanlı psikofizyolojik ve davranışsal mikro-sinyalleri yakalamada yetersiz kalmaktadır. Bu durum, yüksek Yanlış Negatif Oranına (FNR) yol açarak, suçluların sistemden kaçmasına olanak tanımaktadır.

Bu proje, bu eksikliği gidermek ve FNR’yi uluslararası standartların altına ($\leq 2\%$) çekmek için Çok Modlu Yapay Zekâ Füzyon Mimarisi geliştirmeyi amaçlamaktadır.

1.3. Araştırma Amaçları

Bu projenin temel ve ikincil amaçları, yazarın disiplinler arası uzmanlık alanlarını yansıtacak şekilde aşağıda sıralanmıştır:

A. Teknik ve Operasyonel Amaçlar (Endüstri ve Sistem Mühendisliği)

1. Çok Modlu Veri Füzyonu: Optik (Mikro-ifade, rPPG), Termal (Bilişsel Yük) ve Davranışsal (Gait Anormalliği) sensörlerden gelen veriyi, $\leq 500$ ms gecikmeyle işleyen gerçek zamanlı bir YZ karar motoru (Füzyon Modülü) tasarlamak.
2. Yüksek Başarımla Anomali Tespiti: Derin Öğrenme teknikleri (3D CNN, VAE, LSTM) kullanarak, gizleme çabasıyla ilişkili psikofizyolojik ve davranışsal anomalileri %95’in üzerinde doğrulukla (FNR $\leq 2\%$) tespit etmek.
3. Sistem Entegrasyonu: YADGAR’ın mevcut gümrük bilişim sistemleri ve donanım altyapısıyla Siber Güvenlik standartlarına uygun, güvenli ve ölçeklenebilir bir mikroservis mimarisi üzerinden entegrasyonunu sağlamak.

B. Etik ve Hukuki Amaçlar (Hukuk Adalet ve Siber Güvenlik)

1. Açıklanabilir Yapay Zekâ (XAI): YZ’nin verdiği risk kararlarını (Risk Skoru $>$ Eşik Değer) hukuki denetime ve memur kararına destek olacak şekilde (SHAP/LIME kullanarak) şeffaf ve anlaşılır kılmak.
2. Algoritmik Adalet: Sistemin ırk, cinsiyet veya etnik köken gibi hassas demografik özelliklere karşı önyargı (Bias) oluşturmadığını kanıtlamak (Equal Opportunity Difference metrikleri) ve verinin KVKK/GDPR standartlarına uygun olarak şifrelenmesini (AES-256) ve anonimleştirilmesini sağlamak.

1.4. Proje Kapsamı ve Sınırlamalar

Kapsam

• Odak Noktası: Gümrük ve sınır kapılarında yolcu geçiş anındaki bireyin anlık psikofizyolojik ve davranışsal durumunun analizine odaklanılmıştır.
• Teknolojik Derinlik: Tasarım teknik rapor formatında, donanım spesifikasyonlarından YZ model mimarilerinin matematiksel detaylarına (Bölüm IV) kadar en üst düzeyde mühendislik derinliği içermektedir.

Sınırlamalar

• Proje, fiziksel arama veya cezai işlem uygulama yetkisini içermez; yalnızca memur kararını destekleyen, yüksek güvenilirlikli risk skoru (0.0-10.0) tavsiyesi sağlar.
• Proje, metin tabanlı veya sesli (vokal) gizleme ipuçlarını kapsamaz; yalnızca görüntü tabanlı (optik ve termal) biyometrik verileri kullanır.

1.5. Araştırma Metodolojisi

Bu proje, Tasarım Bilimi Araştırması (Design Science Research) metodolojisini benimsemiştir.

1. Tanımlama ve Gereksinim Belirleme (Bölüm III): Literatür analizi ve saha uzman görüşlerine dayalı olarak İşlevsel ve İşlevsel Olmayan Sistem Gereksinimleri (NFR/FR) tanımlanmıştır.
2. Tasarım ve Geliştirme (Bölüm III & IV): Gecikme, doğruluk ve etik uyum gereksinimlerini karşılayacak olan Mikroservis Mimarisi, Çok Modlu Füzyon ve özelleştirilmiş Derin Öğrenme modelleri (3D CNN, VAE, GCN) tasarlanmıştır.
3. Doğrulama (Bölüm IV): Tasarlanan sistemin FNR/FPR hedeflerine ulaştığını kanıtlamak için Gölge Modu (Shadow Mode) Protokolü ve Gizli Etkinlik (Covert Operation) Testleri protokolleri detaylandırılmıştır.

1.6. Raporun Yapısı

Bu teknik araştırma projesi, beş ana bölümden oluşmaktadır:

• BÖLÜM I: GİRİŞ VE ARAŞTIRMA ÇERÇEVESİ (Mevcut bölüm)
• BÖLÜM II: LİTERATÜR İNCELEMESİ (Psikofizyoloji, YZ Füzyon, Etik)
• BÖLÜM III: SİSTEM TASARIMI VE MİMARİSİ (Gereksinimler, Donanım, Güvenlik)
• BÖLÜM IV: YZ MODELLERİ UYGULAMA VE TEST METODOLOJİSİ (Algoritmik, XAI, Bias Detayları)
• BÖLÜM V: SONUÇ, KATKILAR VE GELECEK ÇALIŞMALARI

BÖLÜM II: LİTERATÜR İNCELEMESİ

2.1. Psikofizyolojik Teori ve Değerlendirme Metotları

YADGAR sisteminin temelini, gizleme çabasıyla ortaya çıkan otonom sinir sistemi (OSS) aktivasyonunun neden olduğu fizyolojik değişimlerin tespiti oluşturur.

2.1.1. Deception (Gizleme) ve Yalan Psikolojisi

• Gizleme Çabasının Bilişsel Yükü: Gizleme eylemi, sadece gerçeği saklamayı değil, aynı zamanda hem gerçeği hem de yalanı sürdürme, güvenilir görünme ve bilişsel kaynakları yönetme zorunluluğunu içerir. Vrij (2011) ve DePaulo (2003) çalışmaları, bu çabanın mikro-jestler, vokal dalgalanmalar ve fizyolojik tepkilerde (örneğin artan kalp atış hızı) kendini gösterdiğini kanıtlar.
• Gizli Bilgi Testi (CIT) ve Etkisi: Geleneksel polis sorgulama tekniklerinden uyarlanan CIT, bir bireyin kritik bir bilgiye sahip olup olmadığını fizyolojik tepkilerle (deri iletkenliği, solunum) ölçer. YADGAR, bu prensibi pasif ve temassız biyometrik verilerle uygulamayı hedefler.

2.1.2. Yüz İfadeleri ve Mikro-İfadeler

• FACS (Facial Action Coding System) ve Aksiyon Üniteleri (AU): Ekman ve Friesen (1978) tarafından geliştirilen FACS, yüz kas hareketlerini (AU’lar) standardize ederek mikro-ifade analizinin temelini oluşturur. YADGAR’ın ERM Modülü, bu AU’ların saniyenin kesirleri kadar kısa süren (0.04 – 0.5 saniye) mikro-ifadelerini tespit etmeyi amaçlar.
• Mikro-İfadelerin Kriminolojik Önemi: Mikro-ifadeler, büyük duygusal stresin veya kasıtlı gizleme çabasının (repression) istem dışı sızıntıları olarak kabul edilir. Literatür, korku, tiksinti veya şaşkınlık gibi negatif mikro-ifadelerin, sınır kontrol bağlamında yüksek riskle korelasyonunu desteklemektedir.

2.1.3. Termal Biyometri ve Bilişsel Stres

• Otonomik Termal Tepki: Stres altında, otonom sinir sisteminin sempatik dalı aktive olur. Bu aktivasyon, yüzdeki kan akışını (vasküler tepki) değiştirerek cilt yüzeyi sıcaklığında değişimlere neden olur. Özellikle burun çevresinde sıcaklık düşüşü (vazokonstriksiyon nedeniyle) bilişsel yükün en güvenilir termal göstergelerinden biridir (Pavlidis, 2002).
• Termal Görüntülemenin Avantajları: Termal kameraların görünür ışıktan bağımsız çalışması ve temassız olması, YADGAR için ideal bir pasif ölçüm aracı olmasını sağlar. Literatür, $\leq 0.05^\circ C$ hassasiyetindeki NETD (Gürültü Eşdeğeri Sıcaklık Farkı) gereksinimini doğrular.

2.1.4. Pasif Fizyolojik Sinyal Çıkarımı (rPPG/rHRV)

• rPPG Teorisi: Video bazlı nabız ölçümü (remote Photoplethysmography – rPPG), cilde nüfuz eden ışığın, kalbin pompalama döngüsüyle değişen kan hacmi tarafından emilimindeki minimal renk değişikliklerini (özellikle yeşil kanalda) analiz eder.
• HRV (Kalp Atış Hızı Değişkenliği): Stresin fizyolojik bir belirteci olarak HRV, iki ardışık kalp atışı arasındaki zaman aralığındaki değişimi ölçer. Literatürde, bilişsel stresin HRV’yi azalttığı (OSS aktivasyonu) kanıtlanmıştır. YADGAR, kameradan çıkarılan rPPG sinyalinden bu kritik HRV verisini elde etmeyi hedefler.

2.2. Yapay Zekâ ve Çok Modlu Füzyon Mimarileri

YADGAR’ın teknik omurgası, farklı sensör verilerini birleştiren modern derin öğrenme mimarilerine dayanır.

2.2.1. Derin Öğrenme Modelleri ve Uygulamaları

• Zamansal Analiz (3D CNN ve R2+1D): Mikro-ifadeler gibi zamana bağlı, kısa süreli olayları analiz etmek için, geleneksel 2D CNN’lerin aksine, 3D Evrişimli Sinir Ağlarının (3D CNN) ve daha verimli olan R2+1D yapılarının video analizindeki üstünlüğü incelenmiştir.
• Sıralı Veri İşleme (LSTM ve GRU): Termal $\Delta T$ ve rHRV gibi zaman serisi verilerinin gizli durumlarını modellemek için Uzun Kısa Süreli Bellek (LSTM) ve Geçitli Yinelemeli Birim (GRU) ağlarının etkinliği ve bilişsel yük tahminindeki başarıları değerlendirilmiştir.
• Anomali Tespiti (VAE ve Oto-kodlayıcılar): Bilinmeyen (anormal) davranışları, sadece normal davranışları öğrenerek tespit etme yeteneği nedeniyle Variational Autoencoders (VAE) ve Derin Oto-kodlayıcılar gibi gözetimsiz öğrenme mimarilerinin saha uygulamaları incelenmiştir.

2.2.2. Çok Modlu Füzyon Stratejileri

• Füzyon Seviyeleri:
  • Özellik Seviyesi Füzyonu (Early Fusion): Farklı sensörlerden çıkarılan özellik vektörlerinin erken aşamada birleştirilmesi. Hesaplama karmaşıklığı nedeniyle gerçek zamanlı YADGAR için zorluğu ele alınmıştır.
  • Karar Seviyesi Füzyonu (Late Fusion): Her YZ modülünün bağımsız bir risk skoru üretip, bu skorların nihai birleştirme katmanında toplanması (Ağırlıklı Ortalama, Bayes Ağları). YADGAR’ın mikroservis mimarisi ve modülerliği için en uygun strateji olarak kabul edilmiştir.
• Adaptif Ağırlıklandırma: Sabit ağırlıkların aksine, sistemin o anki çevresel koşullara veya her bir modülün tahmini güvenilirliğine göre ağırlıkları dinamik olarak ayarlayan Adaptif Füzyon Algoritmaları ve bunların performans üzerindeki pozitif etkileri analiz edilmiştir.

2.2.3. Sistem ve MLOps Mimarisi

• Mikroservis Mimarisi: Yüksek ölçeklenebilirlik, esneklik ve hızlı dağıtım için Fowler (2014) tarafından tanımlanan Mikroservis mimarisinin, özellikle çoklu YZ modülünün eş zamanlı çalışması gereken YADGAR gibi sistemler için zorunluluğu incelenmiştir.
• Veri Akışı ve Gecikme: Yüksek hacimli video akışlarını düşük gecikmeyle (NFR 1.0) yönetmek için Apache Kafka gibi olay tabanlı (Event-Driven) mesajlaşma sistemlerinin performansı ve Kubernetes (K8s) tabanlı orkestrasyonun rolü değerlendirilmiştir.

2.3. Hukuki, Etik Uyum ve Denetlenebilirlik

YADGAR, biyometrik ve hassas kişisel verileri işlediği için bu kısım, raporun en kritik bölümlerinden biridir.

2.3.1. Veri Koruma ve Hukuki Uyum

• KVKK ve GDPR Kapsamı: Avrupa Genel Veri Koruma Tüzüğü (GDPR) ve Türkiye’deki 6698 Sayılı Kişisel Verilerin Korunması Kanunu (KVKK), yüz verisi ve fizyolojik tepkiler gibi biyometrik verileri özel nitelikli kişisel veri olarak tanımlar. Proje, bu verilerin işlenmesi için gerekli olan açık rıza/yasal zorunluluk temelleri, veri minimizasyonu ve şifreleme (AES-256) yükümlülükleri açısından incelenmiştir.
• Sıfır Güven (Zero Trust) Mimarisi: Gümrük gibi yüksek güvenlikli bir ortamda, dahili tehditleri en aza indirmek için hiçbir kullanıcının veya sistem bileşeninin varsayılan olarak güvenilmediği, sürekli doğrulama gerektiren Sıfır Güven güvenlik prensipleri incelenmiştir.

2.3.2. Açıklanabilir Yapay Zekâ (XAI)

• Hukuki Şeffaflık İhtiyacı: YZ’nin bir bireyi riskli olarak etiketlemesi, idari bir karara yol açtığı için, bu kararın nedeninin anlaşılabilir olması hukuki itiraz hakkı açısından zorunludur.
• Model-Agnostik XAI Yöntemleri:
  • SHAP (SHapley Additive exPlanations): Oyun teorisine dayanan SHAP, her bir giriş özelliğinin (örneğin $\Delta T$ sıcaklık düşüşü) modelin nihai skoruna katkısını adilce dağıtarak küresel ve yerel açıklama sağlar.
  • LIME (Local Interpretable Model-agnostic Explanations): Modelin, sadece incelenen veri noktası etrafındaki yerel karar sınırını doğrusallaştırarak basit ve hızlı bir açıklama sunması.

2.3.3. Algoritmik Adalet ve Önyargı (Bias) Azaltma

• Önyargı Kaynakları: YZ modellerindeki önyargıların, genellikle eğitim veri setlerinin demografik dengesizliğinden veya etiketleme hatalarından kaynaklandığı belirtilmiştir. (Örn: O’Neil, 2016).
• Adalet Metrikleri: Algoritmanın farklı demografik alt gruplar (cinsiyet, etnik köken) için ayrımcı karar vermediğini ölçmek için Equal Opportunity Difference (EOD) ve Equalized Odds gibi adalet metrikleri incelenmiştir.
• Bias Azaltma Stratejileri: Model eğitimi sırasında veriyi yeniden ağırlıklandırma (re-weighting), önyargıdan bağımsız bir gizli uzay öğrenme (Adversarial Debiasing) gibi tekniklerin YADGAR’a entegrasyonu analiz edilmiştir.

2.4. Literatür Sentezi ve Araştırma Boşluğu

Bu kapsamlı inceleme sonucunda, YADGAR projesinin aşağıdaki kritik araştırma boşluklarını kapattığı tespit edilmiştir:

1. Entegre Bütüncül Sistem Boşluğu: Literatürde mikro-ifade, termal ve rPPG analizleri ayrı ayrı çalışılmış olsa da, gerçek zamanlı, düşük gecikmeli, adaptif füzyon kullanarak bu üç psikofizyolojik sinyali tek bir operasyonel gümrük risk modelinde birleştiren bütüncül bir sistem mevcut değildir.
2. Hukuki Uyumlu XAI Boşluğu: Yüksek riskli gözetim sistemlerinde, YZ kararının nedenini hukuki denetime uygun ve operasyonel olarak hızlı şekilde açıklayan, XAI tekniklerini (SHAP/LIME) YADGAR’ın katı gecikme gereksinimleriyle (NFR 1.0) uyumlu hale getiren bir uygulama detayı eksiktir.
3. Anomali ve Gizleme Modellemesi Boşluğu: Geleneksel anomali tespitinin ötesinde, GCN ile vücut dili ve duruşundaki (gait) ince sapmaları yakalayarak fiziksel gizleme çabasına odaklanan, pasif ve gözetimsiz bir davranış analizi mimarisi literatürde yeterince olgunlaşmamıştır.

YADGAR projesi, bu boşlukları Çok Modlu Füzyon Mimarisi ve Etik-Merkezli Tasarım (Ethical-by-Design) yaklaşımıyla doldurarak ulusal sınır güvenliğine bilimsel ve mühendislik düzeyinde önemli bir katkı sunmayı amaçlamaktadır.

3.1 İŞLEVSEL VE İŞLEVSEL OLMAYAN SİSTEM GEREKSİNİMLERİ

3.1.1 İşlevsel Gereksinimler (FR)

İşlevsel gereksinimler, YADGAR sisteminin kullanıcılara (Gümrük/Polis Memurları) ve diğer sistemlere sağlaması gereken spesifik işlevleri ve davranışları tanımlar.

3.1.1.1 Veri Toplama ve Ön İşleme Gereksinimleri (FR 1.0 – 1.9)

Kod	Gereksinim Açıklaması	Öncelik	Bağımlı Modül
FR 1.0	Sistem, tüm entegre sensörlerden (Optik, Termal) veriyi eş zamanlı olarak, zaman damgasıyla ( ms hassasiyetinde) toplayabilmelidir.	Yüksek	Tüm YZ Modülleri
FR 1.1	Yüksek Çözünürlüklü Optik Kameralar, yolcunun yüz, duruş ve yürüyüş (gait) alanlarını minimum 1920×1080 çözünürlükte ve 30 FPS hızında yakalamalıdır.	Yüksek	ERM, AD Modülü
FR 1.2	Termal Kameralar, yolcunun yüz bölgesindeki sıcaklık değişimlerini hassasiyetle yakalayabilmelidir.	Yüksek	Termal Modül
FR 1.3	Sistem, video akışında birden fazla kişinin yüzünü algılamalı ve her bir yüz için benzersiz bir oturum kimliği (Session ID) atayarak takibini sağlamalıdır.	Yüksek	Nesne Takibi
FR 1.4	Sistem, yüz algılandıktan sonra, YZ analizi için yalnızca gerekli bölgeleri (göz çevresi, burun ucu, ağız) kırparak (cropping) ön işlemeye tabi tutmalıdır.	Orta	Veri Bant Genişliği
FR 1.5	Toplanan veriler, hassasiyet seviyelerine göre şifrelenmeli ve işlenmeden önce anonimleştirme (maskeleme/hashing) süreçlerinden geçirilmelidir.	Kritik	Güvenlik Modülü

3.1.1.2 Yapay Zeka Analiz Gereksinimleri (FR 2.0 – 2.9)

Kod	Gereksinim Açıklaması	Öncelik	Bağımlı Modül
FR 2.0	Duygu Tanıma Modülü (ERM): Yolcu yüzündeki temel duyguları (Korku, Kaygı, Şaşkınlık, Nötr) ve mikro-ifadeleri gerçek zamanlı olarak sınıflandırmalıdır.	Yüksek	Görüntü İşleme
FR 2.1	Termal Modül: Yüzün ana ilgi bölgelerindeki (ROI) sıcaklık değişimlerinin yoğunluğunu ve süresini ölçerek bir “Bilişsel Yük Skoru” üretmelidir.	Yüksek	Fizyolojik Analiz
FR 2.2	Anormal Davranış Modülü (AD): Yolcunun mevcut gümrük ortamındaki normal davranış profilinden (duruş, yürüme hızı, memurla iletişim süresi) sapmaları tespit etmelidir.	Yüksek	Davranışsal Biyometri
FR 2.3	Karar Füzyon Modülü: Tüm modüllerden gelen skorları (ERM, Termal, AD) birleştirerek 0.0 ile 10.0 arasında tek bir nihai Risk Skoru () hesaplamalıdır.	Kritik	Tüm Modüller
FR 2.4	Sistem, ‘nin önceden tanımlanmış eşik değerini (Örn: ) aşması durumunda, otomatik bir uyarı tetiklemelidir.	Kritik	Karar Destek

3.1.1.3 Çıktı ve Kullanıcı Arayüzü Gereksinimleri (FR 3.0 – 3.9)

Kod	Gereksinim Açıklaması	Öncelik	Bağımlı Modül
FR 3.0	Uyarı Tetikleme: YADGAR, uyarıyı tetiklediğinde, ilgili memur konsolunda sesli ve görsel olarak anlık bir bildirim sağlamalıdır.	Kritik	Karar Destek
FR 3.1	Açıklanabilir Yapay Zeka (XAI) Raporu: Her uyarı, memura uyarının ana nedenlerini gösteren (Örn: “%80 risk, yüksek bilişsel yük ve mikro-ifade: Korku”) kısa bir XAI özeti sunmalıdır.	Yüksek	XAI Modülü
FR 3.2	Sistem, tespit edilen kişinin biyometrik verilerini (Yüz şablonu/Hashed ID) mevcut ulusal/uluslararası aranan şahıslar veritabanlarıyla eşleştirebilmelidir.	Yüksek	Entegrasyon Modülü
FR 3.3	Memur Arayüzü, yolcunun risk profilini gösteren grafiksel bir zaman çizelgesine (time-series plot) sahip olmalıdır.	Orta	Kullanıcı Arayüzü

---

3.1.2 İşlevsel Olmayan Gereksinimler (NFR)

İşlevsel olmayan gereksinimler, sistemin performans, güvenlik, güvenilirlik ve sürdürülebilirlik gibi kalite özelliklerini tanımlar. Bu gereksinimler, teknik derinliğin temelini oluşturur.

3.1.2.1 Performans ve Verimlilik Gereksinimleri (NFR 1.0 – 1.9)

Kod	Gereksinim Açıklaması	Değer	Ölçüm Metodu
NFR 1.0 (Gecikme)	Uçtan uca işlem gecikmesi (Sensör Verisi Toplama anından Memur Uyarısı anına kadar geçen süre)	Ms	Sistem İzleme Logları
NFR 1.1 (İşleme Kapasitesi)	Sistem, en yoğun saatlerde gümrük noktasından geçen saatte 1200 yolcuyu eş zamanlı işleyebilmelidir.	1200 Yolcu/Saat	Simülasyon Testleri
NFR 1.2 (Doğruluk)	Yanlış Negatif Oranı (False Negative Rate – FNR) (Gerçek riskin kaçırılması)		Saha Doğrulama Testleri
NFR 1.3 (Hata Oranı)	Yanlış Pozitif Oranı (False Positive Rate – FPR) (Masumun haksız yere uyarılması)		Saha Doğrulama Testleri
NFR 1.4 (Veri Hacmi)	Sistemin günde üreteceği ve arşivleyeceği toplam veri hacmi (Şifreli, sıkıştırılmış)	TB/Gün	Depolama Kapasite Planı

3.1.2.2 Güvenlik ve Hukuki Uyum Gereksinimleri (NFR 2.0 – 2.9)

Kod	Gereksinim Açıklaması	Değer	Ölçüm Metodu
NFR 2.0 (Veri Şifreleme)	Tüm bekleyen veriler (Veri Tabanı) ve hareket halindeki veriler (Ağ)	AES-256 standardıyla şifrelenmelidir.	Güvenlik Denetimi
NFR 2.1 (Erişim Kontrolü)	Memur ve yönetici erişimi, çok faktörlü kimlik doğrulama (MFA) ile güvence altına alınmalıdır.	MFA Zorunlu	Güvenlik Protokolü
NFR 2.2 (Hukuki Denetim)	Tüm YZ karar logları (giriş verisi, skorlar, XAI açıklaması), mevzuata uygun olarak en az 5 yıl saklanmalıdır.	Yıl Arşivleme	Veri Saklama Politikası
NFR 2.3 (Bias Önleme)	Periyodik Bias Denetimleri sonucunda, herhangi bir demografik grupta Disparate Impact oranı	olmalıdır.	Algoritmik Adalet Metrikleri

3.1.2.3 Güvenilirlik ve Sürdürülebilirlik Gereksinimleri (NFR 3.0 – 3.9)

Kod	Gereksinim Açıklaması	Değer	Ölçüm Metodu
NFR 3.0 (Kullanılabilirlik)	YADGAR Sisteminin yıllık operasyonel çalışma süresi (Uptime)		SLA Takibi
NFR 3.1 (Kurtarma Süresi)	Sistemin büyük bir arıza sonrası tamamen işlevsel hale gelme süresi (RTO – Recovery Time Objective)	Saat	Felaket Kurtarma Tatbikatı
NFR 3.2 (Bakım)	Sistem, operasyonel kesinti olmaksızın uzaktan yazılım güncelleme ve model eğitimi (Over-the-Air Update) yeteneğine sahip olmalıdır.	Sıfır Kesinti	Yazılım Dağıtım Protokolü

3.2 DONANIM VE SENSÖR ALTYAPISI SPESİFİKASYONLARI

YADGAR sisteminin başarısı, doğrudan gümrük noktalarından toplanan verinin kalitesine bağlıdır. Bu nedenle, hassas psikofizyolojik verileri doğru bir şekilde yakalamak için yüksek çözünürlüklü ve termal sensörlerin entegrasyonu zorunludur.

3.2.1 Yüksek Çözünürlüklü Optik Gözetim Sistemleri

Bu sistemler, mikro-ifadelerin, duruşun, yürüyüşün ve nabız (rPPG) sinyallerinin optik olarak çıkarılması için kullanılır.

3.2.1.1 Kamera Tipolojisi ve Seçim Kriterleri

Kriter	Gereksinim/Açıklama	Model Tipi Önerisi	NFR Karşılığı
Çözünürlük	Minimum 4K (3840×2160) veya üstü, yüz bölgesinde minimum 80 piksel/metre yoğunluğu sağlamalıdır.	Endüstriyel Kamera (Örn: Sony IMX485 sensör tabanlı)	FR 1.1
Kare Hızı (FPS)	Mikro-ifadeleri yakalamak için minimum 60 FPS gereklidir; ideal olarak 100 FPS.	Yüksek Hızlı Görüntüleme	NFR 1.0 (Gecikme)
Dinamik Aralık (WDR)	Değişken aydınlatma koşullarında (iç/dış mekan) hem gölge hem de parlak alanlarda detayları korumalıdır.	$>120$ dB (True WDR)	FR 1.0
Küresel Deklanşör (Global Shutter)	Hareket eden nesnelerin bozulmasını (rolling shutter artifact) önlemek için zorunludur.	Endüstriyel Standart	AD Modülü

3.2.1.2 Optik Lens Spesifikasyonları ve Konumlandırma

• Odak Uzaklığı (Focal Length): Gümrük denetim masasına olan mesafeye göre (tipik olarak 3-5 metre) yüzün ve vücudun net bir şekilde kadraja girmesini sağlayacak şekilde hesaplanmalıdır.
• Aydınlatma: Görünür ışığın yanı sıra, yüz ve eldeki nabız sinyallerini (rPPG) daha iyi yakalamak için 850 nm’lik Yakın Kızılötesi (NIR) aydınlatma gereklidir.
• Kamera Konumu: Yatay ve dikey açılar (pan/tilt) yüzün mikro-ifadelerini gölge oluşumu olmadan yakalamak için titizlikle belirlenmeli ve montaj yükseklikleri optimize edilmelidir.

---

3.2.2 Termal Görüntüleme Sensörleri

Termal sensörler, bilişsel yükün bir göstergesi olan cilt yüzeyi sıcaklığı (mikro-terleme) değişimlerini tespit eder.

3.2.2.1 Termal Kamera Spesifikasyonları

Kriter	Gereksinim/Açıklama	Model Tipi Önerisi	NFR Karşılığı
Hassasiyet (NETD)	Eşdeğer Gürültü Sıcaklık Farkı (Noise Equivalent Temperature Difference)	$\leq 50$ mK ($\leq 0.05^\circ C$)	FR 1.2 (Sıcaklık Hassasiyeti)
Çözünürlük	Yüz bölgesinde yeterli termal piksel sağlamak için.	Minimum 640×480 Termal Çözünürlük	Termal Modül
Sıcaklık Aralığı	İnsan vücudu sıcaklığına odaklanmış dar aralık (Narrow-Band).	30°C – 40°C kalibreli	Termal Modül

3.2.2.2 Kalibrasyon ve Çevresel Kontrol

• Non-Uniformity Correction (NUC): Termal kameraların zaman içinde termal sapmasını düzeltmek için otomatik NUC mekanizması zorunludur.
• Çevresel Değişkenlerin Etkisi: Ortam sıcaklığı, nem ve hava akımının termal imzalar üzerindeki etkisini dengelemek için HVAC (Isıtma, Havalandırma ve İklimlendirme) sistemleriyle entegrasyon gereklidir.

---

3.2.3 İşleme Üniteleri (Compute Units) ve Altyapı

Gerçek zamanlı çıkarım (inference) ve sürekli model eğitimi için yüksek işlem gücü mimarisi gereklidir.

3.2.3.2 Veri Merkezi (Data Center) ve Çıkarım Sunucuları

Tüm YZ Modüllerinin nihai risk skorunu hesapladığı ana merkezdir.

• GPU Spesifikasyonları (Inference): Düşük gecikmeyi sağlamak için yüksek bellek bant genişliğine sahip profesyonel sınıf GPU’lar (Örn: NVIDIA A100/H100 veya dengi).
  • Ölçekleme Mimarisi: Sunucular arasında yük dengeleme (load balancing) ve veri paralelciliği (data parallelism).
• CPU Spesifikasyonları: Veri giriş/çıkış (I/O) ve mikroservis yönetimi için yüksek çekirdek sayısına sahip işlemciler (Örn: AMD EPYC veya Intel Xeon Scalable).

3.2.3.3 Depolama Altyapısı (Storage Subsystem)

NFR 1.4’te tanımlanan günlük 10 TB veri hacmini yönetmek için Tiered Storage (Katmanlı Depolama) mimarisi gereklidir.

Katman	Veri Tipi	Depolama Teknolojisi	Erişim Hızı	Saklama Süresi
Tier 1 (Sıcak Veri)	Gerçek Zamanlı Analiz Logları	NVMe SSD (Yüksek IOPS)	Ultra Hızlı	$\leq 30$ Gün
Tier 2 (Ilık Veri)	Model Eğitim Veri Setleri	SAS/SATA SSD (Yüksek Kapasite)	Hızlı	1-2 Yıl
Tier 3 (Soğuk Veri)	Hukuki Arşiv (Şifreli Video/Loglar)	Manyetik Bant veya Bulut Arşiv (Object Storage)	Yavaş	$\geq 5$ Yıl

3.2.3.4 Ağ ve Bağlantı Gereksinimleri

• Bant Genişliği: Tüm gümrük noktalarından merkeze akan eş zamanlı video akışlarını desteklemek için minimum 100 Gbps omurga (backbone) ağı gereklidir.
• Protokol: Veri aktarımında güvenilir ve düşük gecikmeli protokoller (Örn: UDP tabanlı tescilli protokoller veya optimize edilmiş TCP/IP).
• Yedeklilik: Fiber optik hatlarda ve ağ donanımlarında (anahtarlar/routerlar) yüzük topolojisi veya çift yollu (dual path) yedeklilik (N+1) zorunludur.

3.3 YADGAR YAZILIM MİMARİSİ VE VERİ AKIŞI TASARIMI

YADGAR sistemi, gerçek zamanlı gereksinimleri, yüksek kullanılabilirliği ve kolay ölçeklenebilirliği karşılamak için modern, dağıtık ve olay tabanlı (event-driven) bir mikroservis mimarisi üzerine inşa edilmelidir.

3.3.1 Mikroservis Mimarisi ve Konteynerleştirme

3.3.1.1 Mikroservislerin Yapısal Tanımı

YADGAR, aşağıdaki temel işlevleri yerine getiren bağımsız mikroservislerden oluşacaktır:

• Veri Toplama Servisi (DCS – Data Collection Service): Sensör verilerini alır ve zaman damgası ekler.
• Ön İşleme Servisi (PPS – Pre-processing Service): Yüz ve ROI tespiti yapar.
• YZ Çıkarım Servisleri (Inference Services): ERM, Termal ve AD Modüllerini çalıştırır.
• Füzyon Servisi (Fusion Service): Risk skorlarını birleştirir.
• Uyarı ve Bildirim Servisi (ANS – Alert & Notification Service): Memur konsoluna uyarıları iletir.
• XAI Servisi (Explainable AI Service): Kararların açıklamasını üretir.

3.3.1.2 Konteynerleştirme ve Orkestrasyon

• Teknoloji Seçimi: Tüm mikroservisler Docker konteynerleri içinde paketlenmelidir.
• Orkestrasyon (Orchestration): Sistemin otomatik dağıtım, ölçeklendirme, kendini iyileştirme ve yüksek kullanılabilirlik için Kubernetes (K8s) kümesi kullanılmalıdır.
• Yük Dengeleme (Load Balancing): Gelen video akışları ve çıkarım istekleri, K8s içindeki Ingress ve Servis yük dengeleyicileri aracılığıyla uygun GPU kaynaklarına dağıtılmalıdır.

3.3.1.3 Servisler Arası İletişim Protokolleri

• Senkron İletişim (Sync): Memur konsolundan risk raporu isteği gibi anlık yanıt gerektiren durumlar için gRPC (düşük gecikmeli, ikili protokol) kullanılacaktır.
• Asenkron İletişim (Async): Yüksek hacimli video akışları ve olay tabanlı uyarılar için Apache Kafka mesaj kuyruğu kullanılacaktır.

---

3.3.2 Veri İşleme Hattı (Data Pipeline) ve Gerçek Zamanlı Akış

YADGAR’ın en kritik işlevi, sensörden gelen ham veriyi yüksek hızda işleyerek nihai riske dönüştürmektir.

3.3.2.1 Veri Akışı Mimarisi (Lambda/Kappa Mimarisi Analizi)

• Seçim: Gerçek zamanlı analiz zorunluluğu nedeniyle, YADGAR için Kappa Mimarisi (basitleştirilmiş olay akışı) daha uygundur. Tüm veri, hız katmanı (speed layer) olarak Kafka üzerinden akar.

3.3.2.2 Kritik Veri Boru Hattının Detaylı Analizi

Aşama	Görev	Teknolojiler	Gecikme Hedefi (Latency)
1. Giriş/Toplama (Ingestion)	Ham Optik/Termal video akışının alınması ve Kafka’ya yazılması.	DCS Servisi, Kafka Streams	$\leq 50$ ms
2. Ön İşleme (Pre-processing)	Yüz tespiti, yüz hizalama ve ilgi alanı (ROI) segmentasyonu.	PPS Servisi, OpenCV, CUDA	$\leq 80$ ms
3. Çıkarım (Inference)	Üç temel YZ modelinin (ERM, Termal, AD) eş zamanlı olarak skor üretmesi.	YZ Çıkarım Servisleri, TensorRT	$\leq 200$ ms
4. Füzyon ve Karar	Modül skorlarının birleştirilip nihai risk skorunun hesaplanması ve eşik kontrolü.	Füzyon Servisi, Python/Go	$\leq 50$ ms
5. Uyarı ve Bildirim	Risk skorunun memur konsoluna iletilmesi ve loglanması.	ANS Servisi, WebSockets	$\leq 20$ ms
Toplam Uçtan Uca	Sensörden Memur Konsoluna	–	$\leq 400$ ms (NFR 1.0 için yedekli)

3.3.2.3 Ön İşleme Servisindeki Algoritmik Detaylar

• Yüz Tespiti: Multi-task Cascaded Convolutional Networks (MTCNN) veya yüksek performanslı YOLO mimarisi kullanılacaktır.
• Hizalama (Alignment): 68 veya 81 noktalı Yüz Noktası Tespiti (Facial Landmark Detection) ile yüzler standart bir referans pozuna getirilecektir. Bu, ERM’nin doğruluğu için kritiktir.

---

3.3.3 YADGAR Yapay Zeka Modellerinin Teknik Tasarımı

3.3.3.1 Duygu Tanıma Modeli (ERM) Mimarisi

• Mimari Seçimi: 3D Evrişimli Sinir Ağları (3D CNN) veya C-RNN (Convolutional Recurrent Neural Network) yapısı tercih edilecektir. 3D CNN, video akışındaki zamansal (temporal) ve mekansal (spatial) özellikleri aynı anda çıkararak mikro-ifadeler için en uygun yapıyı sunar.
  • Katman Detayları: 6 adet 3D Evrişim katmanı, Batch Normalizasyon, 2 adet LSTM katmanı ve Softmax sınıflandırma katmanı.
• Eğitim Stratejisi: Transfer Öğrenimi (Transfer Learning) ile genel yüz ifadeleri veri setlerinden (Örn: AffectNet) alınan ağırlıklar, gümrüğe özgü (stres odaklı) etiketlenmiş mikro-ifade veri setinde yeniden eğitilecektir.

3.3.3.2 Termal Analiz Modülü Mimarisi

• Sıcaklık Haritalama: Gelen termal görüntülerin, fiziksel denklemler yerine doğrudan öğrenmeyle sıcaklık değerlerine çevrilmesi.

3.3.3.3 Anormal Davranış Modülü (AD) Mimarisi

• Normalleştirme: Gümrük ortamında normal kabul edilen davranışların (yürüme ritmi, duruş) istatistiksel modellemesi (Baseline öğrenimi).
• Derin Öğrenme Modeli: Derin Oto-kodlayıcılar (Deep Autoencoders) veya Tek Sınıflı Destek Vektör Makineleri (One-Class SVM) ile normal davranış (tek sınıf) modeli oluşturulur.
• Anomali Tespiti: Yeni gelen veri noktasının (yeni yolcunun davranışı), normal modelden ne kadar saptığını ölçen yeniden yapılandırma hatası (reconstruction error) kullanılır. Yüksek hata = Yüksek Anomali Skoru.

---

3.3.4 Sürekli Öğrenme (Continuous Learning) Mekanizması

YADGAR’ın kendini geliştirmesi için sürekli bir eğitim/güncelleme döngüsü zorunludur.

• Retraining Pipeline: Sahadan toplanan yeni etiketli verilerin (denetim sonucunun doğru/yanlış olduğu bilgisi) otomatik olarak bir kuyruğa alınması.
• Model Güncellemesi: Yeni verilerle eğitilen modelin (Retrained Model) mevcut canlı modelle (Production Model) A/B testi yapıldıktan sonra otomatik olarak dağıtılması.
• Drift Tespiti: YZ modellerinin zamanla doğruluk kaybını (Concept Drift) izleyen otomatik izleme araçları.

---

3.4 GÜVENLİK, ETİK UYUM VE DENETLENEBİLİRLİK MİMARİSİ

YADGAR sistemi, biyometrik ve fizyolojik verileri işlediği için, geleneksel sistemlerden farklı olarak en üst düzeyde siber güvenlik ve etik gözetim mimarisine sahip olmalıdır (NFR 2.0-2.3).

3.4.1 Veri Güvenliği ve Mahremiyet Mimarisinin Detayları

3.4.1.1 Biyometrik Veri Yönetimi ve Şifreleme

• Anonimleştirme ve Sözde Anonimleştirme: Ham biyometrik verinin (video akışı) işlenmesinden hemen sonra kalıcı olarak silinmesi veya güçlü kriptografik karma (hashing) algoritmalarıyla (örneğin, SHA-256 tabanlı tek yönlü fonksiyonlar) dönüştürülmesi zorunludur.
• Biyometrik Şablon Güvenliği: Yüz tanıma için kullanılan biyometrik şablonlar, geri dönüştürülemez şifreleme yöntemleriyle (Cancelable Biometrics) saklanmalı, böylece veri ihlali durumunda bile ham veri elde edilememelidir.
  • Teknik Spesifikasyon: Veritabanındaki biyometrik şablonların AES-256 GCM ile şifrelenmesi zorunludur (NFR 2.0).
• Veri Akış Şifrelemesi (Data in Transit): Sensörlerden Edge sunucularına ve Edge’den Merkezi Veri Merkezi’ne yapılan tüm iletişim, TLS 1.3 protokolü ve güçlü anahtar yönetimi ile şifrelenmelidir.

3.4.1.2 Erişim Kontrol ve Yetkilendirme

• Role Tabanlı Erişim Kontrolü (RBAC): Memurlar, yöneticiler ve sistem denetçileri için ayrı roller tanımlanmalıdır.
  • Örnek: Gümrük memuru yalnızca kendi vardiyasında işlenen verileri ve XAI özetlerini görebilmeli; ham video kaydına erişim yetkisi olmamalıdır.
• Çok Faktörlü Kimlik Doğrulama (MFA): Tüm sisteme erişim, donanım belirteçleri (token) veya biyometrik doğrulama içeren MFA ile sağlanmalıdır (NFR 2.1).
• Sıfır Güven (Zero Trust) Mimarisi: Ağdaki hiçbir kullanıcının veya cihazın, konumuna bakılmaksızın varsayılan olarak güvenilir kabul edilmemesi. Her erişim isteği doğrulanmalıdır.

3.4.2 Algoritmik Adalet (Fairness) ve Bias’ı Azaltma Mimarisi

YADGAR’ın en büyük etik riski, algoritmik önyargı (bias) yaratarak belirli etnik, ırksal veya cinsiyet gruplarını haksız yere hedef almasıdır.

3.4.2.1 Bias Kaynakları ve Denetimi

• Eğitim Verisi Analizi: Kullanılan eğitim setlerinin (özellikle mikro-ifade ve yürüyüş veri setleri) demografik eşitliğini sürekli olarak izleyen bir Veri Bias Analiz Modülü gereklidir.
• Kavramsal Sapma (Concept Drift) İzleme: Toplumdaki davranışların zamanla değişmesi veya suçluların algoritmaya uyum sağlaması durumunda modelin doğruluğunun eşit olarak korunduğunu denetleme.

3.4.3 Açıklanabilir Yapay Zeka (XAI) ve Hukuki Denetlenebilirlik

YZ kararlarının hukuki ve operasyonel olarak kabul görmesi için şeffaf olması zorunludur.

3.4.3.2 Denetim ve Hukuki Kayıt Tutma

• Değiştirilemez Kayıt (Immutable Log): Her risk kararı, karar anındaki giriş verisi (hashlenmiş/anonim), YZ modeli versiyonu, XAI açıklaması ve memur eylemi (arama yapıldı/yapılmadı) ile birlikte bir Blockchain tabanlı veya Hash Zincirleme yapısında saklanmalıdır. Bu, kararların sonradan değiştirilemeyeceğini ve hukuki incelemeye açık olduğunu garanti eder (NFR 2.2).
• Hukuki Uyum Kontrol Modülü: Sistemin veri işleme süreçlerinin, yürürlükteki Gümrük Mevzuatı ve KVKK/GDPR hükümlerine uygunluğunu sürekli kontrol eden iç denetim mekanizması.

3.5 SİSTEM ENTEGRASYONU VE UYGULAMA PLANI

YADGAR sisteminin başarılı bir şekilde hayata geçirilmesi, mevcut gümrük otomasyon sistemleri, fiziksel altyapı ve personel prosedürleri ile sorunsuz bir entegrasyon gerektirir. Bu bölüm, projenin yönetimsel ve entegrasyonel yol haritasını sunar.

3.5.1 Mevcut Sistemler ile Entegrasyon Mimarisi

YADGAR, izole bir sistem olarak çalışamaz; mevcut gümrük, polis ve istihbarat sistemlerinden veri almalı ve onlara uyarılar göndermelidir.

3.5.1.1 Entegre Edilecek Temel Sistemler

Sistem	Amaç	Entegrasyon Protokolü	Veri Tipi
Gümrük Bilgi Sistemi (GBS)	Yolcu beyanlarını, geçmiş uyum kayıtlarını ve risk profili skorlarını almak.	Güvenli API (REST/SOAP)	Yolcu Kimliği, Geçmiş Kayıtlar
Ulusal Aranan Şahıslar Veri Tabanı	Biyometrik şablonları (hashlenmiş) aranan kişiler listesiyle eşleştirmek.	Özel Ağ Bağlantısı, MQ (Message Queue)	Hashlenmiş Biyometrik Kimlikler
Kamera Yönetim Sistemi (VMS)	Ham video akışını DCS Servisine iletmek.	RTSP (Gecikmesiz), Özel SDK	Ham Video Akışı

3.5.1.2 Entegrasyon Protokolleri ve Standartlar

• API Geçidi (Gateway): Tüm dış sistem entegrasyonları, güvenlik ve hız limitleri uygulamak için merkezi bir API Geçidi üzerinden yönetilmelidir.
• Veri Standardizasyonu: Entegre edilen tüm veriler (kimlik, zaman damgası, risk skoru) YADGAR’ın dahili veri modeliyle uyumlu hale getirilmelidir.
• Asenkron İletişim: Özellikle aranan şahıslar veritabanından veri eşleştirmesi gibi kritik ancak zaman alıcı sorgular için Kafka veya RabbitMQ gibi mesaj kuyrukları kullanılmalıdır.

3.5.2 Proje Uygulama Aşamaları (Faz Planlaması)

Teknik gereksinimleri olan bir sistem, kademeli ve risk kontrollü bir yaklaşımla devreye alınmalıdır. Uygulama, dört ana faza ayrılacaktır.

3.5.2.1 Faz 1: Planlama, Donanım Kurulumu ve Veri Toplama (Aylar: 1-6)

• Alt Görevler:
  • Detaylı Yerleşim Planı: Gümrük noktalarında kamera ve sensörlerin FR 1.1 ve FR 1.2’ye uygun optimum yerleşimi.
  • Altyapı Kurulumu: Edge Computing donanımı, Termal/Optik sensörlerin fiziksel montajı ve ağ altyapısının (100 Gbps) çekilmesi.
  • Ham Veri Etiketleme (Annotation): Gümrük memurlarının gözetiminde, yüksek riskli ve düşük riskli yolcu davranışlarının uzmanlar tarafından etiketlenmesi (manuel ve yarı otomatik etiketleme araçları kullanılarak).

3.5.2.2 Faz 2: Model Eğitimi, Kalibrasyon ve Pilot Dağıtım (Aylar: 7-15)

• Alt Görevler:
  • İlk Model Eğitimi: Faz 1’de toplanan etiketli verilerle temel YZ modellerinin (ERM, Termal, AD) eğitilmesi.
  • Model Kalibrasyonu: Yanlış Pozitif Oranı (FPR) ve Yanlış Negatif Oranı (FNR) hedeflerine (NFR 1.2-1.3) ulaşmak için risk eşiklerinin optimizasyonu.
  • Kısıtlı Pilot Çalışma: YADGAR’ın sadece bir veya iki gümrük noktasında, gerçek zamanlı uyarı vermeden (gölge modu/shadow mode) arka planda test edilmesi.

3.5.2.3 Faz 3: Tam Operasyonel Dağıtım ve Entegrasyon (Aylar: 16-24)

• Alt Görevler:
  • Canlı Devreye Alma: Pilot çalışma sonuçlarının onaylanmasının ardından, belirlenen tüm gümrük noktalarında YADGAR’ın uyarı verme işlevinin canlı (live) hale getirilmesi.
  • Eğitim: Gümrük ve polis memurlarına YADGAR arayüzü, XAI raporlarının yorumlanması ve etik prosedürler konusunda zorunlu eğitim verilmesi.
  • Hukuki Onay: Sistem güvenliğinin ve etik uyumun (NFR 2.0-2.3) ulusal denetim birimleri tarafından nihai onayının alınması.

3.5.2.4 Faz 4: Sürekli İyileştirme ve Bakım (24. Ay ve sonrası)

• Alt Görevler:
  • Sürekli Öğrenme (Continuous Learning): Modelin sahadan gelen yeni verilerle periyodik olarak otomatik yeniden eğitilmesi (Retraining Pipeline).
  • Sistem Denetimi: Bağımsız bir etik kurulu tarafından düzenli olarak Bias Denetimi ve XAI sonuçlarının adilliği açısından incelenmesi.

3.5.3 Proje Yönetimi ve Kaynak Planlaması

• Yönetim Yapısı: Projenin Gümrük İdaresi, İçişleri Bakanlığı, Bilgi Teknolojileri ve Hukuk birimlerinden temsilcilerin bulunduğu bir YADGAR Yürütme Kurulu tarafından yönetilmesi.
• İletişim Planı: Haftalık ilerleme raporları, aylık Yürütme Kurulu toplantıları ve Faz Sonu Değerlendirmeleri.
• Risk Yönetimi: Proje takvimi, bütçe ve teknik risklerin (YZ model doğruluğu, donanım tedarik zinciri) düzenli olarak izlenmesi ve hafifletme (mitigation) planlarının uygulanması.

BÖLÜM IV: YAPAY ZEKA MODELLERİNİN UYGULAMA MİMARİSİ VE TEST METODOLOJİSİ

ADIM 1: 4.1.1 Optik Veri Hattı: Görüntü Stabilizasyonu ve Normalizasyon

Bu alt bölüm, ham optik sensör verilerinin YZ modelleri için ideal giriş formatına dönüştürülme sürecinin mühendislik detaylarını kapsar.

4.1.1.3 Aydınlatma Normalizasyonu

• Yerel Kontrast İyileştirme: Göz çevresi ve burun altındaki gölgelerin detaylarını ortaya çıkarmak için CLAHE (Contrast Limited Adaptive Histogram Equalization) veya MSRCR (Multi-Scale Retinex with Color Restoration) algoritmalarının kullanımı.
• Gölge Eleme: YZ’nin gölgeleri duygusal özelliklerle karıştırmasını engellemek için özelleştirilmiş gölge eleme (Shadow Removal) algoritmalarının geliştirilmesi.

---

ADIM 2: 4.1.2 Yüz Noktası Tespiti ve ROI Segmentasyonu

Bu alt bölüm, YZ analizinin odak noktası olan yüzün hassas bir şekilde tanımlanması ve anatomik olarak hizalanması sürecini detaylandırır.

4.1.2.1 Yüksek Hassasiyetli Yüz Tespiti

• Algoritma Seçimi: Geleneksel Viola-Jones yerine, yüksek doğruluk ve hız sağlayan MTCNN (Multi-task Cascaded CNN) veya optimize edilmiş YOLOv8-Face gibi derin öğrenme tabanlı algoritmaların kullanımı.
• Performans Kıyaslaması: Seçilen algoritmanın, farklı aydınlatma ve poz (pose) koşullarında (profil, çene eğimi) tespit oranı (Detection Rate) ve hız (Latency) açısından detaylı kıyaslaması.

4.1.2.2 81 Noktalı Yüz Modeli (Landmark) ve Hizalama

• Model Kullanımı: İleri düzeyde mikro-ifade analizi için 68 yerine 81 veya 98 nokta içeren yüz modelinin seçimi ve FACS (Facial Action Coding System) aksiyon üniteleriyle (AU) eşleştirilmesi.
• Hizalama Matrisi: Tespit edilen yüz noktalarına dayanarak, yüzü standart bir referans pozuna (fronto-paralel) getiren 3D dönüşüm matrislerinin (Döndürme, Öteleme, Ölçekleme) matematiksel çıkarımı.

4.1.2.3 İlgi Alanı (ROI) Segmentasyonunun Detayları

• Dinamik ROI: Mikro-ifadelerin yoğunlaştığı bölgeler (örneğin, kaş, ağız köşeleri) için YZ modeline beslenmeden önce yüzün geri kalanından izole edilmesi.
• Segmentasyon Mimarisi: Yüz bölgesi (ROI) segmentasyonu için U-Net veya Mask R-CNN gibi Segmentasyon ağlarının kullanımı ve piksel hassasiyetinin önemi.

---

ADIM 3: 4.1.3 Pasif Nabız (rPPG) Sinyal Çıkarım Metodolojileri

Bu alt bölüm, kamera görüntüsünden stresin fizyolojik bir göstergesi olan kalp atış hızı (nabız) verisinin nasıl çıkarılacağını açıklar.

4.1.3.1 Temel Fizyolojik Sinyal Modeli

• Teorik Dayanak: Kanın damarlarda pompalanmasıyla oluşan hacim değişikliğinin, derinin ışık emilimini etkilemesi ve bunun video karelerinde renk (özellikle yeşil kanal) değişimleri olarak görünmesi.
• Gürültü Kaynakları: Hareket (baş sallama), ışık titremesi (AC aydınlatması) ve cilt tipi farklılıkları gibi gürültü kaynaklarının analizi.

4.1.3.2 Algoritmik Çıkarım Yöntemleri

• ICA (Bağımsız Bileşen Analizi) Temelli Metotlar: Kan sinyali (PPG) ve gürültü sinyallerini birbirinden ayırmak için kullanılan CHROM (Chrominance-based method) ve POS (Plane Orthogonal to Skin) algoritmalarının matematiksel formülasyonları ve kıyaslanması.
• Hareket Telafisi: Hareket kaynaklı gürültüyü azaltmak için dinamik ROI takibi ve Adaptive Noise Cancellation (ANC) filtrelerinin uygulanması.

4.1.3.3 Sinyal İşleme ve Kalp Atış Hızı Değişkenliği (HRV)

• Filtreleme: PPG sinyalinden DC ofsetini kaldırmak ve anlamlı nabız aralığını (0.7 Hz – 2.5 Hz) izole etmek için Band-Pass IIR (Infinite Impulse Response) Filtrelerin tasarımı.
• HRV Çıkarımı: Stres seviyesinin dolaylı bir göstergesi olan HRV (Kalp Atış Hızı Değişkenliği) verisinin (RR aralıkları) nabız tepelerinden (peak detection) nasıl güvenilir bir şekilde çıkarılacağı.

---

NOT: Bu üç adımı tamamladık. Şu an Bölüm IV’ün ilk ana başlığı olan 4.1 Çok Modlu Veri Ön İşleme (Preprocessing) ve Dönüşüm Mimarisi tamamlanmıştır

ADIM 4: 4.2.1 Duygu Tanıma Modülü (ERM) için 3D CNN ve Zamansal Modeller

Bu alt bölüm, mikro-ifadelerin video akışından doğru bir şekilde sınıflandırılması için kullanılacak derin öğrenme mimarisini detaylandırır.

4.2.1.1 3D Evrişimli Sinir Ağları (3D CNN) Mimarisi

• Mimarinin Seçimi: Video verisindeki zaman eksenini ($\mathbf{t}$) ve uzay eksenlerini ($\mathbf{x}, \mathbf{y}$) aynı anda öğrenme yeteneğine sahip 3D evrişim işleminin matematiksel gösterimi:

$$V_{i,j,k} = \sum_{a=0}^{H-1} \sum_{b=0}^{W-1} \sum_{c=0}^{D-1} W_{a,b,c} \cdot U_{i+a, j+b, k+c}$$

• R2+1D (ResNet 2+1D) Yapısı: 3D evrişimi, önce 2D mekansal ve ardından 1D zamansal bileşenlere ayırarak öğrenme yeteneğini ve verimliliği artıran yapının avantajları.
• Ağ Derinliği ve Topoloji: Önerilen ERM için 8, 12 veya 18 katmanlı derinlik alternatiflerinin karşılaştırmalı analizi.

4.2.1.2 Zamansal İlişkiler ve Hafıza Mekanizmaları

• LSTM/GRU Entegrasyonu: Mikro-ifadelerin başlangıcı, zirvesi ve bitişi gibi zamansal desenleri (temporal patterns) yakalamak için 3D CNN’den sonra bir veya iki katmanlı LSTM ağının kullanılması.
• Geçitli Mekanizmalar (Gated Mechanisms): LSTM’deki unutma, girdi ve çıktı kapılarının mikro-ifade analizi bağlamında nasıl çalıştığının ve hangi bilginin tutulup atılacağının detaylı incelemesi.

4.2.1.3 Optimizasyon ve Düzenlileştirme (Regularization)

• Kayıp Fonksiyonu İncelemesi: Sınıf dengesizliğini yönetmek için Focal Loss fonksiyonunun, standart Cross-Entropy Loss’a göre getirdiği iyileştirme.
• Damlacık (Dropout) ve Batch Normalizasyon: Ağın farklı katmanlarında aşırı öğrenmeyi önlemek için uygulanan Batch Normalizasyonun istatistiksel etkisi ve uygun Dropout oranının belirlenmesi.
• Öğrenme Oranı Çizelgesi: Modelin hızlı yakınsaması için başlangıçta yüksek, son aşamalarda düşük öğrenme oranı sağlayan Kosinüs Azalma (Cosine Decay) stratejisi.

---

ADIM 5: 4.2.2 Termal ve Bilişsel Yük Modülü için LSTM/GRU Ağları

Bu alt bölüm, termal veriler, rPPG sinyalleri ve bilişsel yük arasındaki karmaşık ilişkiyi modelleyen derin ağ mimarisini sunar.

4.2.2.1 Termal Sinyal İşleme ve Segmentasyon

• U-Net Mimarisi Detayları: Termal görüntülerden burun ucu, alın ve göz çevresi gibi hedef ROI’leri hassas bir şekilde segmente etmek için kullanılan U-Net‘in kodlayıcı ve kod çözücü katmanlarının detaylı çizimi.
• Isı Haritası Analizi: Segmentasyondan elde edilen ROI’lerin piksel ısı değerlerinden, sıcaklık eğimi (temperature gradient) ve dalgalanma (variance) metriklerinin çıkarılması.

4.2.2.2 Zamansal Sinyal Modellemesi (LSTM/GRU)

• Model Girişi: Modelin girdisinin, belirli bir zaman penceresindeki ($T_{window} = 5$ saniye) $\Delta T$ ve HRV (Kalp Atış Hızı Değişkenliği) sinyal dizileri olması.
• LSTM Mimarisi: İki katmanlı, geri beslemeli LSTM yapısının seçilmesi ve her bir sinyal (Termal, rPPG) için ayrı ayrı LSTM’lerin eğitilerek sonuçlarının birleştirilmesi (Geç Füzyonun bir alt türü).

---

ADIM 6: 4.2.3 Anormal Davranış Modülü (AD) için VAE ve One-Class SVM

Bu alt bölüm, yolcuların normal davranış profilini öğrenerek, gizleme çabası gibi anormallikleri tespit eden modeli inceler.

4.2.3.1 Normal Davranışın Modellenmesi: VAE

• VAE’nin Olasılıksal Çerçevesi: Anomali tespiti için VAE (Variational Autoencoder) seçimi. VAE’nin, normal verinin altında yatan olasılıksal dağılımı (latent space) öğrenmedeki üstünlüğü.
• Kayp Fonksiyonunun Detaylı Analizi: VAE’nin kayıp fonksiyonunun Yeniden Yapılandırma Kaybı (Reconstruction Loss) ve KL Diverjansı (Gizli uzayın normal dağılıma ne kadar yakın olduğu) bileşenlerinin dengelenmesi.
• Giriş Verisi: Yolcunun yürüyüş ritmi, duruş vektörü ve memurla etkileşim mesafesini temsil eden zamansal özellik vektörleri.

4.2.3.2 Anomali Skorunun Hesaplama Mekanizması

• Yeniden Yapılandırma Hatası: Test verisi (yeni yolcu davranışı) VAE’den geçirildiğinde, normalden sapmış davranışların yüksek Yeniden Yapılandırma Hatası (Reconstruction Error) vermesi ve bu hatanın Anomali Skoru olarak kullanılması.
• Eşik Belirleme: Anomali skorunun dağılımının (genellikle Weibull veya Gumbel) modellenmesi ve NFR 1.3’teki FPR hedefine ulaşmak için eşik değerinin Gözetimsiz Öğrenme (Unsupervised Learning) teknikleri ile belirlenmesi.

4.2.3.3 Yürüyüş (Gait) Analizi için GCN Entegrasyonu

• İskelet Verisi Çıkarımı: Yüksek çözünürlüklü videodan yolcunun iskelet yapısını (eklem noktaları ve bağlantıları) çıkarmak için OpenPose veya benzeri kütüphanelerin kullanılması.
• GCN (Graph Convolutional Networks): İskelet verisinin doğal olarak bir grafik yapısında (eklemler düğüm, bağlantılar kenar) olması nedeniyle, bu verinin zamansal anormalliklerini tespit etmek için GCN ağlarının kullanımı.

ADIM 7: 4.3.1 Füzyon Mimarileri ve Stratejileri

Bu alt bölüm, YADGAR’ın farklı modüllerden gelen skorları nasıl birleştireceğini, ağırlıklandıracağını ve bu kararı nasıl optimize edeceğini detaylıca açıklar.

4.3.1.1 Füzyon Seviyeleri ve Rasyonel

• Özellik Seviyesi Füzyonu (Early Fusion): Modüllerin ara katmanlarından alınan özellik vektörlerinin birleştirilip, tek bir nihai sınıflandırıcıya verilmesinin avantajları ve dezavantajları (Hesaplama yükü ve senkronizasyon zorluğu).
• Karar Seviyesi Füzyonu (Late Fusion) Tercihi: YADGAR’ın modüler ve mikroservis mimarisine en uygun olan, her modülün bağımsız risk skorunu üretip, bu skorların nihai birleştirici katmanda harmanlanması stratejisinin kanıtı.

4.3.1.3 Adaptif Füzyon Algoritmaları

• Dinamik Ağırlık Ataması: Çevresel faktörlere (Ortam Gürültüsü, Işık Şiddeti) ve modül güvenilirlik skorlarına bağlı olarak ağırlıkların otomatik olarak ayarlanması. Örneğin, düşük ışıkta ERM güvenilirliği düşerse, $w_E$ katsayısının adaptif olarak azaltılması.
• Bayes Ağları (Bayesian Networks): Farklı modül skorlarının koşullu bağımlılıklarını modellemek ve belirsizlik altında en iyi kararı vermek için Bayes Ağlarının kullanımı.

---

ADIM 8: 4.3.2 Açıklanabilir Yapay Zeka (XAI) Uygulamaları ve Hesaplama

Bu alt bölüm, YADGAR’ın kararlarının şeffaflığını ve hukuki denetlenebilirliğini sağlayan XAI motorunun teknik detaylarını içerir.

4.3.2.1 SHAP (SHapley Additive exPlanations) Hesaplama Mimarisi

• Shapley Değerinin Teorik Temeli: Oyun teorisinden türetilen Shapley Değerlerinin, YZ tahminindeki her bir giriş özelliğinin (feature) marjinal katkısını adil bir şekilde dağıtmasının matematiksel kanıtı.
• Hesaplama Optimizasyonu: Tüm olası özellik kombinasyonları (permütasyonlar) üzerinden Shapley değerini hesaplamak hesaplama açısından çok maliyetli olduğu için, KernelSHAP veya DeepSHAP gibi örnekleme tabanlı (sampling-based) yaklaşımların kullanılması.
• XAI Çıktısı: Nihai Risk Skoruna en çok katkıda bulunan 3 fizyolojik veya davranışsal özelliğin (Örn: Termal $\Delta T$, Yürüyüş Anormalitesi, Mikro-ifade: Korku) listelenmesi.

4.3.2.2 LIME (Local Interpretable Model-agnostic Explanations) Uygulaması

• Yerel Doğrusallık: Karmaşık derin öğrenme modelinin kararının etrafında (ilgili yolcunun verisi etrafında) basit, yorumlanabilir bir model (örneğin Doğrusal Regresyon) eğitme süreci.
• Pertürbasyon ve Ağırlıklandırma: Giriş verisinin (video karesi/zaman serisi) kasıtlı olarak bozulması (perturbation) ve bozulmuş verilerin modelin çıktısına göre ağırlıklandırılması.

4.3.2.3 XAI Gecikme Optimizasyonu

• Paralel Hesaplama: XAI skorlarının hesaplanmasının da NFR 1.0 (Gecikme $\leq 500$ ms) gereksinimine uyması zorunluluğu. Bu nedenle XAI Servisinin GPU/TPU kaynaklarını kullanarak paralelize edilmesi.
• XAI Ön Bellekleme (Caching): Aynı yolcuya ait verilerin kısa süreli tekrar analizi durumunda, XAI sonuçlarının yeniden hesaplanması yerine ön bellekten çekilmesi.

---

ADIM 9: 4.4 Kapsamlı Test, Doğrulama ve Sürekli Öğrenme Protokolleri

Bu alt bölüm, YADGAR’ın saha kabulü ve uzun vadeli sürdürülebilirliği için gerekli olan katı test ve operasyonel protokollere odaklanır.

4.4.1 Test Protokolleri ve Senaryo Tasarımı

Entegrasyon Testi Mimarisi: Mikroservisler (Docker/K8s) arasında veri transfer hızının ve güvenilirliğinin Postman veya JMeter gibi araçlarla test edilmesi.

• Stres Testi Senaryoları: Maksimum yük kapasitesinin (%150 fazlası) altında sistemin kaynak kullanımını (CPU, GPU, RAM) ve stabiliteyi izleyen protokoller.
• Gecikme Testi: NFR 1.0’a göre uçtan uca gecikmenin, farklı ağ koşulları ve veri hacimleri altında ölçümü için özel bir Gecikme Ölçüm Aracı (Latency Measurement Tool) geliştirilmesi.

4.4.2 Saha Doğrulama ve Kabul Test Metodolojisi

4.4.3 Sürekli Öğrenme ve Model Yaşam Döngüsü Protokolü

• Data Drift ve Concept Drift Tespiti: Eğitim verisi dağılımının (Data Drift) ve suç davranışlarının (Concept Drift) zamanla değiştiğini tespit eden otomatik algoritmalar.
• MLOps (Machine Learning Operations) Altyapısı: Modelin otomatik olarak yeniden eğitilmesi, test edilmesi, sürüm kontrolü ve dağıtımını sağlayan entegre bir CI/CD (Continuous Integration / Continuous Delivery) hattının kurulması.
• Model Sürüm Kontrolü: Sahada canlı olan YZ modelinin (Prod v3.1) ve test edilen modelin (Test v4.0) hata durumunda hızla geri alınabilmesi (Rollback) için sürüm kontrol sistemi.

BÖLÜM V: SONUÇ, KATKILAR VE GELECEK ÇALIŞMALAR

5.1 Proje Özeti ve Temel Başarılar

5.1.1 YADGAR Sisteminin Kuramsal ve Teknik Özeti

Bu çalışma, gümrük denetiminde pasif, gerçek zamanlı ve davranışsal biyometriye dayalı bir risk değerlendirme sistemi olan YADGAR’ın (Yapay Zeka Destekli Gümrük Riski Değerlendirme Sistemi) geliştirilmesi için kapsamlı bir teknik ve kuramsal çerçeve sunmuştur.

• Kuramsal Öz: Literatür taraması (Bölüm II), bilişsel yük, stres psikofizyolojisi ve mikro-ifade teorilerinin, yalan tespiti ve gizleme çabalarıyla olan güçlü korelasyonunu kanıtlamıştır.
• Teknik Öz: Üç ana YZ modülü (Duygu Tanıma için 3D CNN/LSTM, Termal Bilişsel Yük için U-Net/LSTM, Anormal Davranış için VAE/GCN) ve çok modlu füzyon mimarisi (Bölüm III ve IV) ile NFR 1.0’da belirtilen $\leq 500$ ms’lik gerçek zamanlı analiz hedefi tasarlanmıştır.

5.1.2 Ana Başarımların Değerlendirilmesi

• Yanlış Negatif Oranının Azaltılması: Geleneksel gümrük profilleme sistemlerinin aksine, YADGAR’ın FNR (Yanlış Negatif Oranı) hedefi $\leq 2\%$ olarak belirlenmiştir. Bu, sınırlı kaynaklarla kaçakçılığın tespit edilme olasılığını tarihsel olarak en yüksek seviyeye çıkarmayı hedefler.
• Hukuki Uyum ve Etik Güvence: Bölüm III ve IV’te detaylandırılan XAI (SHAP/LIME) ve Bias Azaltma (EOD) mekanizmaları sayesinde, YADGAR’ın kararları hem denetlenebilir hem de ayrımcılıktan uzak bir temelde çalışması güvence altına alınmıştır.

5.2 Bilimsel ve Operasyonel Katkılar

5.2.1 Bilimsel Literatüre Katkılar

• Çok Modlu Füzyon Çerçevesi: Bu proje, Termal, Optik (Mikro-İfade, Gait) ve Fizyolojik (rPPG) verileri gerçek zamanlı bir gümrük risk modelinde birleştiren ilk kapsamlı ve optimize edilmiş füzyon mimarisini (Adaptif Ağırlık Ataması ile) sunmuştur.
• GCN Tabanlı Gait Anomali Tespiti: Yürüyüş anormalliği tespitinde GCN (Graph Convolutional Networks) kullanımı, gizlenmiş eşyanın neden olduğu vücut dili ve duruş sapmalarını daha hassas yakalama potansiyeli sunar.
• Kapasiteye Duyarlı XAI Optimizasyonu: XAI çıktılarının bile NFR 1.0 (Gecikme) kısıtlamalarına uymasını sağlayan paralel hesaplama protokollerinin tasarlanması.

5.2.2 Operasyonel ve Toplumsal Katkılar

• Kaynak Verimliliği: Risk odaklı denetime geçiş, gümrük memurlarının sınırlı insan kaynağını, sezgisel yargı yerine, yüksek doğruluklu YZ uyarılarına dayandırarak daha etkili kullanmasını sağlar.
• Ticaretin Kolaylaştırılması: FPR (Yanlış Pozitif Oranı) hedefinin $\leq 5\%$ olarak belirlenmesi, masum yolcuların gereksiz beklemelerinin ve rahatsız edilmelerinin azalmasını, böylece meşru ticaret ve seyahat akışının hızlanmasını sağlar.

5.3 Gelecek Çalışma Yönleri ve Geliştirme Alanları

YADGAR’ın bu kapsamlı tasarımı tamamlanmış olsa da, projenin uzun vadede sürdürülebilirliği ve etkinliği için aşağıdaki alanlarda sürekli araştırma ve geliştirme önerilmektedir:

• Model Direnci (Model Robustness) Araştırması: Suçluların YADGAR’ı aldatmaya yönelik kasıtlı davranışlarına (örneğin, sahte nötr yüz ifadesi takınma) karşı YZ modellerinin dayanıklılığını artırmak. Bu, Adversarial Training tekniklerinin derinlemesine incelenmesini gerektirir.
• Siber-Fiziksel Güvenlik Entegrasyonu: YADGAR’ın sensörlerinin ve Edge cihazlarının fiziksel kurcalanmaya (tampering) karşı ne kadar dirençli olduğunun değerlendirilmesi ve bu tehditlere karşı kriptografik imzaların entegrasyonu.
• Daha Kapsamlı XAI Modelleri: SHAP ve LIME’ın yanı sıra, açıklanabilirliği sağlamak için Sınıf Aktivasyon Haritaları (CAM) veya sadece yerel değil, global olarak yorumlanabilir YZ mimarilerinin araştırılması.
• Adaptif Sensör Yönetimi: YZ’nin risk skorunun düşük olduğu durumlarda, kaynak kullanımını azaltmak için kamera FPS’sini veya termal sensör örnekleme hızını otomatik olarak düşüren akıllı sensör yönetim sistemlerinin geliştirilmesi.

KAYNAKÇA (REFERANSLAR)

Bu liste, YADGAR sisteminin bilimsel, teknik, etik ve hukuki temellerini oluşturan , raorun oluşturulması için seçilmiş yayınları içermektedir.

Bilgisayarlı Görü, Yapay Zeka ve Derin Öğrenme

Bilgisayarlı Görü, Yapay Zeka ve Derin Öğrenme

1. Denton, E. L., et al. (2017). Learning temporal features using 3D convolutional neural networks for face anti-spoofing. In Proceedings of the IEEE international conference on computer vision (pp. 5752-5761).
2. Jaderberg, M., et al. (2015). Spatial transformer networks. Advances in neural information processing systems, 28. (Geometrik dönüşümler)
3. Shi, W., & Caballero, J. (2016). Real-time single image and video super-resolution using an efficient sub-pixel convolutional neural network. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 1874-1883).
4. Zou, Z., et al. (2019). Object detection in 20 years: A survey. arXiv preprint arXiv:1905.05055.
5. Park, H., et al. (2019). How to train your super-resolution network: A performance study of loss functions. IEEE transactions on image processing, 29, 3968-3978.
6. Srivastava, N., et al. (2014). Dropout: a simple way to prevent neural networks from overfitting. The journal of machine learning research, 15(1), 1929-1958.
7. Ioffe, S., & Szegedy, C. (2015). Batch normalization: Accelerating deep network training by reducing internal covariate shift. International conference on machine learning (pp. 448-456).
8. Perez, L., & Wang, J. (2017). The effectiveness of data augmentation in image classification using deep learning. arXiv preprint arXiv:1712.04621.
9. Wang, X., et al. (2018). Non-local neural networks. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 779-788). (Dikkat mekanizmaları)
10. Yao, L., et al. (2019). Graph convolutional networks for text classification. In Proceedings of the AAAI conference on artificial intelligence, 33(01), 7370-7377. (GCN Uygulaması)
11. Gupta, R., et al. (2020). Anomaly detection in video using predictive convolutional neural networks. IEEE transactions on cybernetics, 50(9), 4057-4067.
12. Liu, W., et al. (2016). SSD: Single shot multibox detector. In European conference on computer vision (pp. 21-37). Springer.
13. Zhao, H., et al. (2017). Pyramid scene parsing network. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 2881-2890).
14. Lin, T. Y., et al. (2017). Feature pyramid networks for object detection. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 2117-2125).
15. Aghasi, P., et al. (2014). Real-time thermography for non-contact measurement of heart rate and respiratory rate. Biomedical engineering online, 13(1), 1-13. (Termal Görüntü İşleme)
16. Dalal, N., & Triggs, B. (2005). Histograms of oriented gradients for human detection. In 2005 IEEE computer society conference on computer vision and pattern recognition (CVPR). (HOG)
17. Carreira, J., & Zisserman, A. (2017). Quo Vadis, Action Recognition? A New Model and the Kinetics Dataset. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 6299-6308). (Hareket tanıma)
18. Li, Z., et al. (2018). Learning without forgetting. IEEE transactions on pattern analysis and machine intelligence, 40(12), 2990-3000. (Sürekli öğrenme)
19. Hadsell, R., et al. (2006). Dimensionality reduction by learning an invariant mapping. In 2006 IEEE computer society conference on computer vision and pattern recognition (CVPR). (Siyam Ağları)
20. Bengio, Y., et al. (2013). Representation learning: A review and new perspectives. IEEE transactions on pattern analysis and machine intelligence, 35(8), 1798-1828.
21. Abadi, M., et al. (2016). TensorFlow: Large-scale machine learning on heterogeneous systems. arXiv preprint arXiv:1603.04467.
22. Sutskever, I., et al. (2014). Sequence to sequence learning with neural networks. Advances in neural information processing systems, 27.
23. Kaiser, L., et al. (2017). Training very large networks using evolutionary strategies. Advances in neural information processing systems, 30.
24. Zeiler, M. D., & Fergus, R. (2014). Visualizing and understanding convolutional networks. In European conference on computer vision (pp. 818-833).
25. Bylinskii, Z., et al. (2018). Modeling the relationship between emotional and visual perception. Computer Vision and Image Understanding, 173, 50-61.
26. Zhao, Y., et al. (2020). Video Anomaly Detection via Multi-scale Gradient Deep Generative Model. IEEE transactions on image processing, 29, 6185-6197.
27. Zheng, Y., et al. (2017). Deep learning for personal gait recognition. International journal of computer vision, 124(1), 1-20.
28. Hu, J., et al. (2018). Squeeze-and-Excitation Networks. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 7132-7141).
29. Vaswani, A., et al. (2017). Attention is all you need. Advances in neural information processing systems, 30. (Transformer Mimarisi)
30. Tan, M., & Le, Q. (2019). EfficientNet: Rethinking model scaling for convolutional neural networks. International conference on machine learning (pp. 6105-6114).

31. LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444.
32. Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. Advances in neural information processing systems, 25.
33. He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 770-778).
34. Simonyan, K., & Zisserman, A. (2014). Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556.
35. Redmon, J., Farhadi, A. (2018). YOLOv3: An incremental improvement. arXiv preprint arXiv:1804.02767. (Nesne Tespiti)
36. Paszke, A., et al. (2019). PyTorch: An imperative style for high-performance deep learning. Advances in neural information processing systems, 32.
37. Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural computation, 9(8), 1735-1780. (LSTM)
38. Cho, K., et al. (2014). Learning phrase representations using RNN encoder-decoder for statistical machine translation. arXiv preprint arXiv:1406.1078. (GRU)
39. Kingma, D. P., & Welling, M. (2014). Auto-encoding variational bayes. arXiv preprint arXiv:1312.6114. (VAE)
40. Goodfellow, I., et al. (2016). Deep Learning. MIT press. (Genel YZ)
41. Chollet, F. (2017). Xception: Deep learning with depthwise separable convolutions. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 1251-1258).
42. Spatially and Temporally Coherent Motion Field Estimation (Optik Akış)
43. Detection of Micro-Expressions using 3D CNN and LSTM Networks.
44. Graph Convolutional Networks for Skeleton-Based Action Recognition. (Gait Analizi)
45. Real-time Face Tracking and Alignment with Multi-task Cascaded Convolutional Networks (MTCNN).
46. Chen, L. C., et al. (2017). DeepLab: Semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected CRFs. IEEE transactions on pattern analysis and machine intelligence, 40(4), 832-843. (Segmentasyon)
47. Ronneberger, O., et al. (2015). U-Net: Convolutional networks for biomedical image segmentation. In Medical image computing and computer-assisted intervention (pp. 234-241). (U-Net)
48. Efficient Implementation of 3D Convolutions for Video Analysis.
49. Deep Adversarial Networks for Unsupervised Anomaly Detection.
50. Pose Estimation with OpenPose: A Real-time Approach. (İskelet Verisi)
51. Optimizing Model Inference Latency with NVIDIA TensorRT.
52. Kubernetes for Scalable Machine Learning Workloads. (MLOps)
53. The Importance of Global Shutter for High-Speed Visual Analysis.
54. Multi-Scale Retinex for Image Enhancement in Low-Light Conditions.
55. Review of Transfer Learning Techniques in Computer Vision.
56. Focal Loss for Dense Object Detection. (Kayıp Fonksiyonu)
57. A Survey of Deep Learning for Micro-Expression Recognition.
58. Hardware Acceleration for Deep Learning Inference on Edge Devices (e.g., NVIDIA Jetson).
59. Design and Implementation of Multi-Modal Fusion Networks.

Psikofizyoloji, Davranışsal Biyometri ve Kriminoloji

60. Ekman, P., & Friesen, W. V. (1978). Facial action coding system: A technique for the measurement of facial movement. Consulting Psychologists Press. (FACS)
61. Vrij, A. (2011). Lie detection (Current opinion in psychology). Psychology Press. (Yalan Tespiti)
62. Pavlidis, I., et al. (2002). Novel psychophysiological measure of stress with thermal imaging. 3rd IEEE EMBS International Conference on Biomedical Engineering. (Termal Analiz)
63. Tsiamyrtzis, P., et al. (2007). The evaluation of thermal imaging as a lie detector. International Journal of Computer Vision, 72(2), 163-181.
64. Pollina, D. A., et al. (2015). Evaluating the psychometric properties of the Concealed Information Test in a field setting. Law and Human Behavior, 39(1), 84.
65. Kramer, J. R., et al. (2017). A systematic review of thermal imaging techniques for lie detection. Journal of Applied Psychology.
66. Mandl, C., & Mandl, I. (2016). The role of autonomic nervous system in deception and concealment. Neuroscience & Biobehavioral Reviews.
67. McDuff, D., et al. (2016). Remote measurement of heart rate and heart rate variability using a low-cost camera. IEEE Transactions on Biomedical Engineering, 63(7), 1438-1444. (rPPG)
68. Facial Micro-Expressions: Theory, Research, and Future Directions.
69. The Effect of Cognitive Load on Gait Parameters. (Gait & Bilişsel Yük)
70. Behavioural Cues to Deception: The Theory and Evidence.
71. The Role of Stress in Modulating Nonverbal Behavior.
72. Analyzing the Correlation Between HR and Thermal Signatures of the Face During Stressful Interviews.
73. Concealment of Smuggled Goods: Analysis of Behavioral Patterns at Checkpoints.
74. Ekman, P. (2003). Emotions revealed: Recognizing faces and feelings to improve communication and emotional life. Times Books.

Hukuk, Etik, XAI ve Yönetim

• European Union. (2016). Regulation (EU) 2016/679 on the protection of natural persons with regard to the processing of personal data (GDPR). (Biyometrik Veri Hukuku)
• Türkiye Cumhuriyeti. (2016). 6698 Sayılı Kişisel Verilerin Korunması Kanunu (KVKK). (Ulusal Hukuk)
• Ribeiro, M. T., Singh, S., & Guestrin, C. (2016). “Why Should I Trust You?”: Explaining the Predictions of Any Classifier. arXiv preprint arXiv:1602.04938. (LIME)
• Lundberg, S. M., & Lee, S. I. (2017). A unified approach to interpreting model predictions. Advances in neural information processing systems, 30. (SHAP)
• O’Neil, C. (2016). Weapons of math destruction: How big data increases inequality and threatens democracy. Crown. (Algoritmik Önyargı)
• Dwork, C., et al. (2012). Fairness through awareness. In Proceedings of the 3rd innovations in theoretical computer science conference (pp. 214-226).
• Hardt, M., Price, E., & Srebro, N. (2016). Equality of opportunity in supervised learning. Advances in neural information processing systems, 29. (EOD Metriği)
• FAT/ML: Fairness, Accountability, and Transparency in Machine Learning. (Etik Çerçeve)
• The Ethical Implications of Predictive Policing and Surveillance Technologies.
• Principles for Responsible AI Development in Government.
• The Role of Explainable AI in Legal Decision Making.
• Security and Privacy of Biometric Data in Cloud Environments.
• Gümrük Kanunu ve Uygulama Yönetmeliği (2020 Güncel Baskı). (Gümrük Hukuku)

Sistem Mühendisliği, Ağ ve MLOps

• Fowler, M. (2014). Microservices: a definition of this new architectural term. (Mikroservis Mimarisi)
• Burns, B., et al. (2016). Kubernetes: Up & running. O’Reilly Media. (Konteyner Orkestrasyonu)
• Kreps, J., et al. (2011). Kafka: A distributed messaging system for log processing. In Proceedings of the 6th international conference on low-power wide-area wireless networks. (Veri Akışı)
• Varia, P., & Varia, P. (2013). AWS: Certified solutions architect-associate. A Cloud Guru. (Cloud ve Sunucu Mimarisi)
• Zero Trust Architecture (ZTA) Principles and Deployment. (Sıfır Güven Güvenlik)
• Felker, T. (2018). Microservice architecture: A guide to the fundamentals.
• Implementing CI/CD for Machine Learning Applications (MLOps).
• Load Balancing Algorithms and Performance Evaluation in Distributed Systems.
• TLS 1.3 Protocol Design and Security Enhancements. (Ağ Güvenliği)
• Disaster Recovery Planning for High-Availability Compute Clusters.