Möjliga examensarbeten 2021-2022

Här presenterar vi ett urval av de examensarbeten som är möjliga att göra tillsammans med forskare vid Medie- och informationsteknik. Vi välkomnar studenter från såväl MIT:s utbildningsprogram som LiU:s övriga program eller från andra lärosäten att göra sina exjobb hos oss. Kontaktperson för respektive examensarbete finns i varje beskrivning.

3D i utställningsmiljö

En person står framför en skärm med touch screenPå Norrköpings visualiseringcenter står sedan 2020 ett displaysystem som består av skärmar reflekterade i glasytor på ett sätt så att en visualisering visas på fyra virtuella ytor som kan ses från alla håll när man går runt i rummet. Dessa visar för tillfället ett jordklot som ser likadant ut. Exjobbet går ut på att utforska hur VR-teknik (Virtual Reality/virtuell verklighet) kan användas för att ge en mer immersiv upplevelse. Idén är att montera djupkameror som spårar besökare och anpassar vyn, så den eller de som står närmast får parallax-effekt och kan navigera runt den scen som visas.

Projektet är lagom för en student och kräver erfarenhet eller utbildning inom programmering av virtuell verklighet och kommer att involvera programmering i ett programspråk som stödjs av det ramverk studenten väljer att arbeta i, såsom Unity3D, Unreal Engine 4, SGCT och/eller Gramods.

Kontakt: Karljohan Lundin Palmerius, universitetslektor
Huvudområde: Medieteknik
Nivå: Master

Förstärkt navigation i virtuell verklighet

För att navigera i virtuell verklighet (Virtual Reality - VR) kan man antingen röra sig själv och med hjälp av tracking hamna där man vill, eller använda knappar eller gester. Att själv röra sig är att föredra men rummets storlek, sladdar och möblering begränsar det naturligt navigerbara utrymmet. I det här exjobbet utforskar vi en ny teknik för att tillåta större naturlig/implicit navigering i den virtuella rymden än vad det verkliga utrymmet egentligen tillåter.

Projektet är lagom för en student och kräver erfarenhet eller utbildning inom programmering av virtuell verklighet och kommer att involvera programmering i ett programspråk som stödjs av det ramverk studenten väljer att arbeta i, såsom Unity3D, Unreal Engine 4, SGCT och/eller Gramods.

Kontakt: Karljohan Lundin Palmerius, universitetslektor
Huvudområde: Medieteknik
Nivå: Master

Bildskapande med evolutionära GANs

Maskininlärning har gjort stora framsteg det senaste årtiondet, specifikt inom s.k. djupinlärning där artificiella neuronnät kan modellera komplexa samband mellan olika typer av data. En av de applikationer som sett mycket stor förbättring är generativ modellering, t.ex. för att lära en modell att skapa nya bilder. För detta ändamål har s.k. generative adversarial networks (GANs) visat stor potential, och kan idag skapa fotorealistiska bilder inom begränsade domäner. Dock är GANs och andra metoder inom djupinlärning begränsade av den data de lär sig på. Exempelvis kan ett GAN som är tränat på bilder av ansikten aldrig generera bilder på bilar. Det här projektet är tänkt att utforska hur olika GANs kan kombineras och tränas i en evolutionär cykel, för att få skapat bildinnehåll att gradvis ändra visuell karaktär. Syftet är inte att skapa andra typer av realistiska bilder, utan fokus ligger på att generera abstraherade förändringar och degraderingar som beskriver en process som styrs av en formulerad funktion för urval. Projektet har ett tvärdisciplinellt fokus, där både tekniska, biologiska och konstnärliga aspekter vägs samman.

Dina uppgifter:

Du kommer att utföra experiment med olika kombinationer och mutationer av GANs, samt olika typer av kriterier för selektion, för att på så sätt skapa en evolutionär process. Du kommer främst att fokusera på de tekniska aspekterna, men även föra en dialog med både konstnärer och en evolutionsbiolog som är relaterade till projektet.

Din profil:

Vi söker er (1-2 studenter) som har ett stort intresse för maskininlärning, och som är intresserade av möjligheterna i att använda generativ modellering som ett verktyg för kreativt bildskapande. Vi ser gärna att ni har tidigare erfarenhet av djupinlärning. Erfarenhet av GANs är meriterande.

Information:

Kontaktperson: Gabriel Eilertsen, biträdande universitetslektor
Huvudområde: Medieteknik
Specialisering: Maskininlärning, bildbehandling, djupinlärning
Nivå: Master

Bilddatabaser med ensembler av GANs

Maskininlärning har gjort stora framsteg det senaste årtiondet, specifikt inom s.k. djupinlärning där artificiella neuronnät kan modellera komplexa samband mellan olika typer av data. En av de applikationer som sett mycket stor förbättring är generativ modellering, t.ex. för att lära en modell att skapa nya bilder. För detta ändamål har s.k. generative adversarial networks (GANs) visat stor potential, och kan idag skapa fotorealistiska bilder inom begränsade domäner. Ett intressant användingsområde för GANs är för att utöka eller ersätta riktiga bilder för användning som träningsdata. Ett problem i att träna på genererade bilder är att de saknar den mångfald som finns i originaldatan. Ett enkelt sätt för att utöka mångfalden är att träna en uppsättning, eller ensemble, av GANs. Denna metod är dock kostsam då det kan ta lång tid att träna ett GAN. Det här projektet kommer att utforska strategier för att skapa ensembler genom att utgå från ett redan tränat GAN, d.v.s. genom att göra s.k. fine-tuning för att skapa en ensemble av GANs.

Dina uppgifter:

Du kommer att utföra experiment med fine-tuning av GANs, och undersöka strategier för att få resultaten att utöka mångfalden i genererad data. Målet är att skapa syntetiska bilddatabaser som kan användas för att träna maskininlärningsalgoritmer på. Ett sätt att mäta kavlitén på de genererade dataseten är således att se hur bra de fungerar för att träna modeller med.

Din profil:

Vi söker er (1-2 studenter) som har ett stort intresse för maskininlärning, och som är intresserade av möjligheterna i att använda generativ modellering som ett verktyg för att skapa träningsdata. Vi ser gärna att ni har tidigare erfarenhet av djupinlärning. Erfarenhet av GANs är meriterande.

Information:

Kontaktperson: Gabriel Eilertsen, biträdande universitetslektor
Huvudområde: Medieteknik
Specialisering: Maskininlärning, datorseende, djupinlärning
Nivå: Master