Offene Praktikumsthemen
Praktikum: Genaues 3D alignment von C. elegans z-stacks
Es liegen C. elegans z-Stacks von ca. 70 hermaphroditen Individuen
in einzelnen Abschnitten vor (3-5 überlappende Abschnitte pro Wurm,
jeweils 5-10 z-Levels). Da die Würmer bei der Aufnahme nur betäubt
werden gibt es minimale Bewegungen sowohl zwischen den einzelnen
Abschnitten als auch zwischen den z-Levels. Ein erster Prototyp zum
manuellen Alignment der z-Stacks über elastische Distortion liegt
vor und erfordert ca. 10-20 Keypoint pro Level. Dieser Prototyp
soll zu einem global verwendbaren Aligmentsystem erweitert werden,
welches den gesamten Wurm lückenlos prazise zusammensetzt und dabei
diese minimalen Bewegungen herausrechnet. Eine vollständig
automatische Lösung ist nicht notwendig. Java-Programmierkenntnise
werden vorausgesetzt.
Praktikum: Dancing Guide
Aus einer iPhone / Android App Dancing Guide, welche Livemusik auf
Bällen in fünf verschiedene Tanzrichtungen klassifizierte (Genauigkeit
ca. 80%), liegen ca. 300,000 Samples (größtenteils mit bekannter
Klassifikation) vor. Es sollen state-of-the-art Lernalgorithmen
angewendet werden, um die Genauigkeit nochmals deutlich zu
verbessern. Achtung: aus datenschutzrechtlichen Gründen liegen nicht die
Audiodaten, sondern ein vorberechneter Vektor mit beat-tracking,
FFT und anderen Standard-Audioklassifikationsfeatures basierend auf
einem 3s Musik-Sample vor. Eine vollständige Dokumentation der Features
ist vorhanden.
Bachelor-/DIplomarbeit/Dissertation (je nach Aufwand): Eyetracking
Es liegen Ground Truth-Daten von ca. 20 Versuchspersonen, jeweils
ca. 2000 Einzelbilder für die jeweils die Position der Pupille,
Gesicht via 8 Gesichtspunkten und die auf einem Monitor angesehene
Position bekannt ist. Es liegen ein Prototyp mit und ohne
Kalibrierungsphase vor, die Genauigkeit ist allerdings für ca. die
Hälfte der Versuchspersonen nicht ausreichend. Dieser Prototyp
wurde nur minimal mit Machine-Learning Techniken entwickelt (die
Erkennung von Pupille, Sklera und Haut wurde trainiert)
Es soll hier ein komplett neuer Ansatz versucht werden, der
komplett auf ML Techniken aufbaut. Zunächst wird vermutet das die
Kopfposition mittels 8 Gesichtspunkten nicht hinreichend genau
rekonstruiert wird. Es soll ein entsprechendes 3D AAM-Modell
eingesetzt werden um die Kopfposition genauer zu bestimmen.
Sobald die Kopfposition bekannt ist, kann über die Linie zwischen
Augapfel-Zentrum und bekannter Pupillenposition der angesehende
Punkt am Bildschirm berechnet werden (solange die relative Position
Bild/Kamera gleich bleibt). Weitere Schritte werden entsprechend
gesetzt. Ziel ist ein Eye-Tracking System mit deutlich verbesserter
Genauigkeit. Sollte dies nicht möglich sein, kann für die
Bestimmung der Kopfposition der Microsoft Kinect v1/2
Skeleton- und Face-Tracker verwendet werden. Dieser ist
eingeschränkt auch auf 2D Bildern anwendbar.
Erfahrung mit OpenCV und C/C++ wird vorausgesetzt.
Dieses Projekt muß am Standort von Seewald Solutions durchgeführt
werden.
Bachelor-/Diplomarbeit/Dissertation (je nach Aufwand): Bilddaten-Evaluierung mittels state-of-the-art Algorithmen
Basierend auf methodisch-technischen Daten aus einem vergangenen
Forschungsprojekt, welches die Entwicklung von herkömmlichen
Bildverarbeitungsalgorithmen ohne Machine-Learning Komponente zum
Ziel hatte, sollten die entsprechenden Ground-Truth Daten mit
state-of-the-art lernfähigen Algorithmen untersucht werden, um
herauszufinden, ob diese in der Lage sind, ohne Hintergrundwissen
kompetitive Resultate zu erreichen.
Hierbei sind Bilddaten und Masken in drei Bereichen verfügbar: Markup
des Synzytiotrophoblast in H.sapiens Plazenta (16 Bilder), H. sapiens
Osteoclasten in Zellkultur (168 hochauflösende ca. 16,000x12,000 Pixel
Bilder mit markierten OC, 20 mit markierten OC Nuclei) und Erythrozyten
in Lunge, Eileiter, Plazenta und Prostata (ca. 300 - hier existiert bereits
ein ML-System)
Als Algorithmen sollen deep-learning und andere passende
Lernalgorithmen angewendet werden, die unregelmäßig geformte
Objekte lernen und erkennen können. Fokus liegt hier auf frei
verfügbaren Open-Source Algorithmen. Es soll soweit wie möglich
eine vollständige Algorithmus-Liste von passenden Algorithmen
erstellt werden und möglichst viele davon getestet werden. Ggf.
können auch vielversprechende Algorithmen implementiert werden.
Erfahrung mit OpenCV wird vorausgesetzt.
Dieses Projekt muß am Standort von Seewald Solutions durchgeführt
werden.