Zespół Biometrii i Uczenia Maszynowego
Wiadomości
Luty 2025: materiały konferencyjne - Rasel Ahmed Bhuiyan, Mateusz Trokielewicz, Piotr Maciejewicz, Sherri Bucher, Adam Czajka. "Iris Recognition for Infants" Proceedings of the Winter Conference on Applications of Computer Vision (WACV) Workshops, February 2025, pp. 83-92.
Grudzień 2024: czasopisma recenzowane - Mateusz Trokielewicz, Piotr Maciejewicz, Adam Czajka. "Post-mortem iris biometrics – Field, applications and methods." Forensic Science International, Volume 365, 2024, Article 112293. ISSN 0379-0738. https://doi.org/10.1016/j .forsciint.2024.112293.
Kwiecień 2024: czasopisma recenzowane - Adrian Kordas, Ewelina Bartuzi-Trokielewicz, Michał Ołowski, Mateusz Trokielewicz, "Synthetic Iris Images: A Comparative Analysis between Cartesian and Polar Representation" 2024, Sensors, 24(7), 2269, https://doi.org/10.3390/ s24072269
Maj 2023: Weronika Gutfeter obroniła rozprawę doktorską pod tytułem „Identyfikacja twarzy na podstawie obrazów wieloujęciowych z zastosowaniem głębokich sieci agregujących”. Praca została przygotowana pod opieką prof. dr hab. inż. Andrzeja Pacuta. Gratulujemy!
Prace dyplomowe - propozycje
Opiekun: prof. dr hab. inż. Andrzej Pacut
Uczenie w głębokich sieciach neuronowych
Wykorzystanie uczenia nienadzorowanego do uczenia wielowarstwowych sieci neuronowych jest nowym i popularnym trendem w konstrukcji sieci neuronowych o wielu (>2) warstwach ukrytych (sieci głębokie), stosowanym m.in. przez duże firmy internetowe do reprezentacji informacji i przeszukiwania sieci (obrazy, mowa). Przedmiotem pracy będzie porównanie kilku koncepcji uczenia głębokiego do zadań klasyfikacji obrazów i porównanie ich ze standardowym uczeniem przy użyciu propagacji wstecznej.
Pre-trening sieci neuronowej z zastosowaniem auto-enkoderów
Jednym z zadań sieci neuronowych jest klasyfikacja obrazów, wymagająca uczenia przy użyciu zbioru obrazów i odpowiadających im klas. Wykorzystanie auto-enkodera (odtwarzanie na wyjściu warstwy obrazu wejściowego) jest wykorzystywane do pretreningu sieci neuronowej przy zastosowaniu uczenia nienadzorowanego, nie wymagającego znajomości klas obrazów. Podejście to umożliwia efektywne uczenie sieci,
których warstwy odpowiadają za cechy obrazów o różnym stopniu szczegółowości.
Głębokie sieci przekonań
Głębokie sieci przekonań (Bayesa) są wielowarstwowymi sieciami neuronowymi, które trenowane są warstwa po warstwie bez nadzoru i konstrukcji sieci wielowarstwowej przy użyciu takich warstw. Podejście to jest jednym ze sposobów uczenia sieci wielowarstwowych (sieci głębokich) zmniejszające problem minimów lokalnych i skracające czas uczenia w porównaniu z sieciami propagacji wstecznej.
Badanie jakości działania głębokich sieci neuronowych w zależności od architektury sieci
Szczegóły pracy ustalane indywidualnie z Opiekunem.
Mobilne rozpoznawanie tożsamości na podstawie podpisu na ekranie smartfona
Szczegóły pracy ustalane indywidualnie z Opiekunem.
Mobilne rozpoznawanie tożsamości na podstawie zdjęcia odcisku palca
Szczegóły pracy ustalane indywidualnie z Opiekunem.
Zastosowanie głębokich rekurencyjnych sieci neuronowych do rozpoznawania mówcy
Szczegóły pracy ustalane indywidualnie z Opiekunem.
Zastosowanie głębokich sieci neuronowych do klasyfikacji osób podczas odsłuchu równoczesnej mowy
Szczegóły pracy ustalane indywidualnie z Opiekunem.
Opiekun: dr inż. Mateusz Trokielewicz
Rozpoznawanie tęczówki na urządzeniu mobilnym
Charakterystyka: Zadanie polega na implementacji wybranej metodyki rozpoznawania tęczówki na urządzeniu mobilnym typu smartfon (iOS, Android).
Wykorzystanie dynamiki źrenicy dla celów testowania żywotności oka na urządzeniu mobilnym
Charakterystyka: Zadanie polega na opracowaniu i implementacji metodyki detekcji żywotności oka na urządzeniu mobilnym typu smartfon (iOS, Android), z wykorzystaniem mimowolnych reakcji źrenicy na pobudzenie impulsem świetlnym.
Wielowymiarowa analiza zjawiska starzenia się wzorców biometrycznych tęczówki
Charakterystyka: Zadanie polega na analizie i ocenie zjawiska starzenia się wzorców biometrycznych (ang. template aging) z wykorzystaniem bazy danych obrazów tęczówek pobranych w odstępie kilkunastu lat.
Opiekun: dr inż. Adam Czajka
Rozpoznawanie tożsamości z wykorzystaniem obrazów termicznych dłoni
Charakterystyka: Zadanie polega na implementacji metody biometrycznej pozwalającej na automatyczne rozpoznanie tożsamości człowieka przy wykorzystaniu obrazów termicznych dłoni. Zadaniem dyplomanta będzie zebranie odpowiedniej bazy pomiarów (w kilku sesjach pomiarowych) przy wykorzystaniu kamery termowizyjnej, a następnie dobór optymalnych cech biometrycznych i ich klasyfikacja. Wymagane są podstawowe umiejętności programowania w językach C/C++ oraz MATLAB.
Biblioteka open source do wielowymiarowej oceny jakości zdjęć tęczówki
Charakterystyka: Zadanie polega na przygotowaniu biblioteki o otwartym kodzie składającej się z szeregu funkcji wyliczających parametry jakościowe obrazu tęczówki, głównie w oparciu o normę ISO/IEC 29794-6. Zakłada się możliwość wykorzystania innych pakietów o otwartym kodzie, w szczególności OpenCV (zaawansowane przetwarzanie obrazu) oraz OSIRIS (przetwarzanie obrazów tęczówki). Wymagana jest dobra znajomość języka C oraz zagadnień budowy bibliotek programistycznych w tym języku.
Aktualny wykaz propozycji tematów prac inżynierskich znaleźć można na stronie IAiIS:
https://dyd.ia.pw.edu.pl/ords/f?p=DYDAKTYKA:TEMATY_INZ:11728098914890: