Multimedia Information Processing Group

Bachelor

Novelty Detection: Clustering von CNN-Features

Bachelorarbeit       nicht vergeben

Während des Trainings lernen Convolutional Neural Networks (CNNs) Features, die der Unterscheidung der Klassen im Trainingsdatensatz dienen. Allerdings können diese einmal gelernten Features auch zur Unterscheidung ganz anderer Klassen auf anderen Datensätzen genutzt werden. Ziel dieser Arbeit ist es, Klassen eines ungelabelten Datensatzes zu ermitteln. Hierzu sollen existierende Clustering-Algorithmen hinsichtlich ihrer Eignung verglichen werden.

Cluster-Demo

 

 

 

 

 

 

 

 

 

Die Merkmale des zu bearbeitenden Datensatzes wurden zuvor mittels eines CNNs aus vorhandenen Bildern extrahiert. Die Dimensionalität ist entsprechend hoch (d ~ 1k). Es soll untersucht werden, welche existierenden exakten und approximativen Clustering-Algorithmen und Implementierungen sich für den vorliegenden Datensatz eignen (hinsichtlich Laufzeit, Speicherverbrauch und Genauigkeit) und inwiefern sie die Datenpunkte entsprechend der bekannten Kategorien gruppieren. Möglicherweise lässt sich zeigen, dass sich einzelne Kategorien weiter unterteilen lassen, oder dass zusätzliche Kategorien existieren.

Ziel: Existierende Clustering-Algorithmen werden hinsichtlich ihrer Eignung im vorliegenden Fall verglichen.

Voraussetzungen: Machine Learning, Computergrafik, Programmierkenntnisse

betreut von: Simon-Martin Schröder

 


 

Powerbot Projekt 2018

Bachelorprojekt       nicht vergeben

In dem Powerbot-Bachelorprojekt geht es darum, die mobile Roboterplattform "Powerbot" mit Software zu versehen. Der Powerbot verfügt über eine Vielzahl von Sensoren (Odometrie, Sonarsensoren, Farbkamera, Tiefenbildkamera) die zum selbständigen Navigieren, Kartieren, Wegfinden, etc. eingesetzt werden können.

Ziel: Ziel der Bachelorprojekte ist es, gemeinsam (in bis zu 3 Gruppen mit je 2 Personen) eine Software zur robusten autonomen Navigation für den Roboter zu implementieren.

Voraussetzungen: Programmierkenntnisse in C++, Grundlagen der Bildverarbeitung

Ansprechpartner: Tim Michels, Stefan Reinhold

 


 

Automatische Detektion von Schweinen in Videobildern anhand von Ellipse Fitting

Bachelorarbeit       nicht vergeben

In dieser Bachelorarbeit soll untersucht werden, inwieweit es möglich ist, Schweine in Videobildern automatisch zu detektieren.
In der Verhaltensforschung von Tieren werden oft klassische Videoüberwachungssysteme eingesetzt. Um auch die Auswertung zum Teil automatisieren zu können, müssen die Tiere individuell segmentiert werden.
In dieser Arbeit soll ein bestehendes Verfahren zum Ellipse Fitting untersucht und auf echten Videos aus einem Versuchsstall angewandt werden, um die Tiere zu identifizieren.

Grauwert-Bild
Grauwert-Bild
Segmentierung
Segmentierung
Gefundene Tiere
Gefundene Tiere


Schlagworte: Segmentation, Ellipse Fitting, RANSAC

betreut von: Johannes Brünger

 


 

Tracking von Schweinen basierend auf Graph-Algorithmen

Bachelorarbeit       nicht vergeben

In dieser Bachelorarbeit sollen die von einem Detektor erkannten Positionen individuellen Schweinen zugeordnet werden. Dafür werden anhand von Position- und Farb-Daten Ähnlichkeitsmaße definiert und dann mit Algorithmen der Graphentheorie die Zugehörigkeit zu den Trackingtargets aufgelöst.

Schlagworte: Graph-Algorithmen, Tracklets

betreut von: Johannes Brünger

 


 

Automatisierte Analyse und Klassifizierung von Zwei-Photonen-Mikroskopie-Bildern zur Diagnose von Osteogenesis imperfecta

Bachelorarbeit       vergeben

      Osteogenesis imperfecta (OI) wird umgangssprachlich auch als Glasknochenkrankheit bezeichnet, da die Knochen leicht zerbrechlich sind und zum anderen im Röntgenbild eine glasige Struktur aufweisen. Die OI ist eine seltene Erbkrankheit, für die überwiegend autosomal-dominante, seltener auch autosomal-rezessive Erbgänge beschrieben sind. Hauptmerkmal der OI ist das veränderte Kollagen vom Typ I, was zu einer abnorm hohen Knochenbrüchigkeit mit unterschiedlichen Krankheitsbildern führt. (Quelle: Wikipedia)


Ziel der Arbeiten ist es, Zwei-Photonen-Mikroskop-Aufnahmen von Mäuse-Tibiae (Schienbeinen) automatisiert zu analysieren. Ziel der Analyse soll eine möglichst eindeutige Klassifizierung in Wild-Type (WT, "gesunde Maus") oder OI sein.

In einer Arbeit soll die Variation der Kollagenstrukturen über mehrere Schichten hinweg (in 3D) analysiert werden (Dicke, Ausrichtung, etc.). Da nicht klar ist, welche Parameter gut messbar und am aussagekräftigsten sind, soll dies zunächst am WT-Modell untersucht werden. Sind die Parameter des WT-Modells ausreichend charakterisiert, sollen diese genutzt werden, um eine Klassifizierung in WT und OI vorzunehmen.

Mittels FITC-Dextran-Markierung ist es möglich, Osteozyten (Zellen, die den Knochenaufbau regulieren) sichtbar zu machen. Ziel einer weiteren Arbeit ist es, die Osteozyten automatisiert zu segmentieren, zu vermessen, zu zählen und deren Ausrichtung zu bestimmen. Unter Umständen kann eine Korrelation mit den Kollagenstrukturen weitere Informationen liefern, um die Klassifizierung zwischen WT und OI zu verbessern.

2-Maximum-Projektion

 

 

 

 

 

 

 

 

 



2-Maximum-Projektion                                                    

3-Maximum-Projektion mit FITC-Dextran-Markierung

 

 

 

 

 

 

 

 

 



3-Maximum-Projektion mit FITC-Dextran-Markierung  

Die Bilder zeigen Projektionen eines SHG-Schicht-Bildes einer Position an der Mäuse-Tibia (OI). Die hellen elliptischen Objekte im rechten Bild sind die Osteozyten in ihren Lakunen.

betreut von: Stefan Reinhold

Kooperation mit dem Molecular Imaging North Competence Center (MOIN CC)