Offene Praktikumsthemen

Praktikum: Genaues 3D alignment von C. elegans z-stacks

Es liegen C. elegans z-Stacks von ca. 70 hermaphroditen Individuen in einzelnen Abschnitten vor (3-5 überlappende Abschnitte pro Wurm, jeweils 5-10 z-Levels). Da die Würmer bei der Aufnahme nur betäubt werden gibt es minimale Bewegungen sowohl zwischen den einzelnen Abschnitten als auch zwischen den z-Levels. Ein erster Prototyp zum manuellen Alignment der z-Stacks über elastische Distortion liegt vor und erfordert ca. 10-20 Keypoint pro Level. Dieser Prototyp soll zu einem global verwendbaren Aligmentsystem erweitert werden, welches den gesamten Wurm lückenlos prazise zusammensetzt und dabei diese minimalen Bewegungen herausrechnet. Eine vollständig automatische Lösung ist nicht notwendig. Java-Programmierkenntnise werden vorausgesetzt.

Praktikum: Dancing Guide

Aus einer iPhone / Android App Dancing Guide, welche Livemusik auf Bällen in fünf verschiedene Tanzrichtungen klassifizierte (Genauigkeit ca. 80%), liegen ca. 300,000 Samples (größtenteils mit bekannter Klassifikation) vor. Es sollen state-of-the-art Lernalgorithmen angewendet werden, um die Genauigkeit nochmals deutlich zu verbessern. Achtung: aus datenschutzrechtlichen Gründen liegen nicht die Audiodaten, sondern ein vorberechneter Vektor mit beat-tracking, FFT und anderen Standard-Audioklassifikationsfeatures basierend auf einem 3s Musik-Sample vor. Eine vollständige Dokumentation der Features ist vorhanden.

Bachelor-/DIplomarbeit/Dissertation (je nach Aufwand): Eyetracking

Es liegen Ground Truth-Daten von ca. 20 Versuchspersonen, jeweils ca. 2000 Einzelbilder für die jeweils die Position der Pupille, Gesicht via 8 Gesichtspunkten und die auf einem Monitor angesehene Position bekannt ist. Es liegen ein Prototyp mit und ohne Kalibrierungsphase vor, die Genauigkeit ist allerdings für ca. die Hälfte der Versuchspersonen nicht ausreichend. Dieser Prototyp wurde nur minimal mit Machine-Learning Techniken entwickelt (die Erkennung von Pupille, Sklera und Haut wurde trainiert)

Es soll hier ein komplett neuer Ansatz versucht werden, der komplett auf ML Techniken aufbaut. Zunächst wird vermutet das die Kopfposition mittels 8 Gesichtspunkten nicht hinreichend genau rekonstruiert wird. Es soll ein entsprechendes 3D AAM-Modell eingesetzt werden um die Kopfposition genauer zu bestimmen. Sobald die Kopfposition bekannt ist, kann über die Linie zwischen Augapfel-Zentrum und bekannter Pupillenposition der angesehende Punkt am Bildschirm berechnet werden (solange die relative Position Bild/Kamera gleich bleibt). Weitere Schritte werden entsprechend gesetzt. Ziel ist ein Eye-Tracking System mit deutlich verbesserter Genauigkeit. Sollte dies nicht möglich sein, kann für die Bestimmung der Kopfposition der Microsoft Kinect v1/2 Skeleton- und Face-Tracker verwendet werden. Dieser ist eingeschränkt auch auf 2D Bildern anwendbar.

Erfahrung mit OpenCV und C/C++ wird vorausgesetzt.

Dieses Projekt muß am Standort von Seewald Solutions durchgeführt werden.

Bachelor-/Diplomarbeit/Dissertation (je nach Aufwand): Bilddaten-Evaluierung mittels state-of-the-art Algorithmen

Basierend auf methodisch-technischen Daten aus einem vergangenen Forschungsprojekt, welches die Entwicklung von herkömmlichen Bildverarbeitungsalgorithmen ohne Machine-Learning Komponente zum Ziel hatte, sollten die entsprechenden Ground-Truth Daten mit state-of-the-art lernfähigen Algorithmen untersucht werden, um herauszufinden, ob diese in der Lage sind, ohne Hintergrundwissen kompetitive Resultate zu erreichen.

Hierbei sind Bilddaten und Masken in drei Bereichen verfügbar: Markup des Synzytiotrophoblast in H.sapiens Plazenta (16 Bilder), H. sapiens Osteoclasten in Zellkultur (168 hochauflösende ca. 16,000x12,000 Pixel Bilder mit markierten OC, 20 mit markierten OC Nuclei) und Erythrozyten in Lunge, Eileiter, Plazenta und Prostata (ca. 300 - hier existiert bereits ein ML-System)

Als Algorithmen sollen deep-learning und andere passende Lernalgorithmen angewendet werden, die unregelmäßig geformte Objekte lernen und erkennen können. Fokus liegt hier auf frei verfügbaren Open-Source Algorithmen. Es soll soweit wie möglich eine vollständige Algorithmus-Liste von passenden Algorithmen erstellt werden und möglichst viele davon getestet werden. Ggf. können auch vielversprechende Algorithmen implementiert werden.

Erfahrung mit OpenCV wird vorausgesetzt.

Dieses Projekt muß am Standort von Seewald Solutions durchgeführt werden.