ZBUM - Strona Zespołu Biometrii i Uczenia Maszynowego  - Strona Zespołu Biometrii i Uczenia Maszynowego.

  • Zespół
    • O nas
    • A. Pacut
    • W. Gutfeter
    • M. Trokielewicz
    • K. Roszczewska
    • E. Bartuzi
    • K. Gabor
    • M. Hałoń
    • M. Azimi
    • J. N. Khiarak
  • Badania
    • Obszary
    • Doktoraty
    • Projekty
    • Publikacje
  • Projekty
    • AMBER
    • BIOWIZ
    • yieldPlanet
  • Seminaria
    • lato 2021
    • zima 2020
    • lato 2020
    • zima 2019
    • lato 2019
    • zima 2018
    • lato 2018
    • zima 2017
    • lato 2017
    • zima 2016
  • Dydaktyka
    • Kalendarz zajęć
    • BIT
    • SNR
  • Dyplomy
  • Laboratorium
  • Archiwum

Zespół Biometrii i Uczenia Maszynowego

Home

Najbliższe seminarium

Kolejne seminaria Zespołu Biometrii i Uczenia Maszynowego odbędą się w semestrze 2022Z.

Wiadomości

Wrzesień 2022: Michał Hałoń wraz z drużyną SKA Robotics zdobył nagrodę w konkursie "Bonus Competition Task – path optimization for a rover" podczas ósmej edycji zawodów robotów mobilnych European Rover Challenge. Zadaniem konkursowym była optymalizacja trasy łazika na powierzchni planetoidy Vesta z wykorzystaniem oprogramowania MATLAB&Simulink. Gratulujemy!

Listopad 2021: Wykorzystanie metod Deep Learningu do rozpoznawania markerów realizowane przez Michała Hałonia zostało opisane na blogu MathWorks Student Lounge

Lipiec 2021: Czasopismo recenzowane: Ewelina Bartuzi, Mateusz Trokielewicz "Multispectral hand features for secure biometric authentication systems", Concurrency Computat Pract Exper. 2021, DOI: 10.1002/cpe.6471 (Wiley Online Library)

Wrzesień 2020: Czasopismo recenzowane: Mateusz Trokielewicz, Adam Czajka, Piotr Maciejewicz "Post‐mortem Iris Decomposition and its Dynamics in Morgue Conditions", Journal of Forensic Sciences (Volume 65: 1530-1538, Issue 5, September 2020), DOI: 10.1111/1556-4029.14488 (Wiley Online Library)

Wrzesień 2020: Michał Hałoń wraz z drużyną SKA Robotics zdobył nagrodę specjalną 'Special Prize MathWorks' za najlepsze zastosowanie Toolboxów firmy MathWorks podczas szóstej edycji zawodów robotów mobilnych European Rover Challenge (wykorzystanie metod deep learningu do rozpoznawania markerów). Gratulujemy!

Sierpień 2020: Michał Hałoń został laureatem konkursu MathWorks "Make IT ROS!", w którym uczestnicy konkursu mieli za zadanie wykazać się wiedzą dotyczącą oprogramowania ROS (Robot Operating System) oraz zaproponować wykorzystanie tej platformy w projekcie studenckim. Gratulujemy!

Lipiec 2020: Czasopismo recenzowane: Aidan Boyd, Shivangi Yadav, Thomas Swearingen, Andrey Kuehlkamp, Mateusz Trokielewicz, Eric Benjamin, Piotr Maciejewicz, Dennis Chute, Arun Ross, Patrick Flynn, Kevin Bowyer, Adam Czajka "Post-Mortem Iris Recognition—A Survey and Assessment of the State of the Art" (IEEEXplore)

20 lutego 2020: Podczas pierwszego zimowego warsztatu EAB organizowanego przez Instytut Badawczy Idiap i Europejskie Stowarzyszenie Biometrii EAB
Mateusz Trokielewicz (z ramienia NASK) wygłosił prezentację „Scientific presentation "Detecting cadaver iris presentations". Gratulujemy!

english version

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:

Kontakt

Instytut Automatyki i Informatyki Stosowanej
Zakład Sterowania Systemów
Zespół Biometrii i Uczenia Maszynowego
ul. Nowowiejska 15/19
00-665 Warszawa

Logowanie

  • Request new password
  • zespół
  • badania
  • projekty
  • seminaria
  • dydaktyka
  • dyplomy
  • laboratorium
  • archiwum