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.

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.