Razpisane teme za magistrske naloge (2. stopnja)

LGM - Laboratorij za računalniško grafiko in multimedije

V kolikor vas kaka izmed tem zanima, kontaktirajte predstojnika laboratorija doc. dr. Matijo Marolta. Posivene teme niso več na voljo (so že izbrane).

Multimediji - zvok in glasba

Transkripcija klavirske glasbe

V nalogi boste preučili trenutno stanje na področju transkripcije glasbe in se osredotočili na sistem, ki bi čimbolje prepoznaval tone v posnetkih klavirske glasbe. Pri tem se boste usmerili bodisi v tehnologijo globokih nevronskih mrež ali v izboljšave sistema za transkripcijo klavirske glasbe Sonic.

Literatura:

  1. http://lgm.fri.uni-lj.si/research/piano-music-transcription/
  2. http://www.music-ir.org/mirex/wiki/2016:Multiple_Fundamental_Frequency_Estimation_%26_Tracking.
  3. http://eprints.fri.uni-lj.si/3044/

Segmentacija zvočnih posnetkov

V nalogi boste preučili trenutno stanje na področju segmentacije zvočnih posnetkov na enote (npr. govor, petje, glasbe itn.). Na podlagi obstoječega sistema boste sistem za segmentacijo, katerega delovanje boste izboljšali z uporabo globokih nevronskih mrež za prepoznavanje vrste zvoka.

Literatura:

  1. http://lgm.fri.uni-lj.si/research/segmentation-of-field-recordings/

Sistem za avtomatsko sledenje izvajalca glasbe

Sistemi za avtomatsko sledenje (score following) v realnem času sledijo tempu izvajalca glasbe, pri čemer si pomagajo s poznavanjem notnega zapisa izvedene skladbe. V nalogi boste preučili trenutno stanje na tem področju in implementirali svoj odprtokodni sistem za sledenje.

Literatura:

  1. A. Arzt,  Flexible and robust music tracking

Računalniška grafika in vizualizacija

Izboljšava segmentacije žil v glavi

Za dober prikaz položaja žil v glavi pacienta je izredno pomembno, da po zajetem 3D posnetka nad njim izvedemo čim boljšo segmentacijo. Za segmentacijo žil iz tovrstnih posnetkov obstaja kar nekaj pristopov, ki stremijo k čim bolj pravilni segmentaciji žil. Na tem mestu naletimo na veliko problemov, ko poskušamo iz grobe 3D slike izdelati gladek model žil, ki bo odražal stanje v naravi, prav tako pa bo hkrati tudi uporaben za nadaljnjo uporabo v simulacijah pretoka po žilah.

Literatura:

  1. Bernhard Preim. 3D Visualization of Vascular Structures, IEEE Visualization 2007.
  2. C. Schumann, S. Oeltze, R. Bade, B. Preim and H.O. Peitgen. Model-free Surface Visualization of Vascular Trees. The Eurographics Association 2007.
  3. Y. Ohtake, A. Belyaev, M. Alexa, G. Turk and H.-P. Seidel. Multi-level Partition of Unity Implicits. ACM 2003

Orodje za pomoč pri klasifikaciji volumetričnih medicinskih podatkov

Avtomatska segmentacija volumetričnih medicinskih posnetkov občasno ne vrača pravilnih rezultatov kategorizacije posameznih tkiv v individualne razrede (vrste tkiv). Ideja je razviti orodje, ki omogoča uporabniku, da izvede avtomatsko segmentacijo podatkov in po izvedeni avtomatski segmentaciji volumetričnih podatkov, ročno popravi klasifikacijo posameznih delov podatkov. Tako popravljene podatke je potrebno na ustrezen način tudi shraniti za možnost nadaljnje uporabe.

Literatura:

  1. A. Sherbondy, M. Houston, S. Napel. Fast Volume Segmentation With Simultaneous Visualization Using Programmable Graphics Hardware. In: IEEE Visualization, 2003
  2. V. Krajiček. Volume Segmenetation Algorithems
  3. Volume Classification & Segmentation

Kategorizacija in vizualizacija zbirke LiDAR Slovenije kot oblaka točk na spletu

Od konca leta 2016 so javnosti dostopne določene zbirke geodetskih podatkov (kot so LiDAR, orto-foto in katastra). Ideja magisterija je združiti informacije iz različnih zbirk za vizualizacijo prostora slovenije s tehnikami za vizualizacijo oblakov točk na spletu. Ideja je zasnovati sistem, ki podatke pridobi iz trenutnih virov, jih sproti obdela in medpomni ter prikaže končnemu uporabniku. Želja je združiti podatke o obliki površja (LiDAR)  s podatki o barvi (orto-foto) in jih ustrezno kategorizirati (kataster). Vizualizacija podatkov bo v spletnem brskalniku z uporabo sodobnih spletnih tehnologij (WebGL 2.0) in nekaterimi uveljavljenimi pristopi.

Literatura:

  1. Markus Schütz. Potree: Rendering large point clouds in web browsers. Master’s thesis, Institute of Computer Graphics and Algorithms, Vienna University of Technology, Favoritenstrasse 9-11/186, A-1040 Vienna, Austria, September 2016.
  2. M. Lunar, C. Bohak, and M. Marolt, "Distributed ray tracing for rendering voxelized lidar geospatial data," in Zbornik petindvajsete mednarodne elektrotehniške in računalniške konference erk 2016, 19. - 21. september 2016, portorož, slovenija, 2016, pp. 55-58.
  3. C. Bohak, B. Kim, and M. Y. Kim, "Web-based visualization of real-time LADAR datawith support for collaboration", Techincal Report, July - October 2017, Daegu, The Republic of Korea, [Draft].
  4. Pointcloud visualization of the Actuele Hoogtekaart Nederland (2), the Netherlands eScience Center. URL: http://ahn2.pointclouds.nl/
  5. Kuder, Marko, and Borut Žalik. “Web-based LiDAR visualization with point-based rendering.” In Signal-Image Technology and Internet-Based Systems (SITIS), 2011 Seventh International Conference on, pp. 38-45. IEEE, 2011.

Volumetrično upodabljanje velikih volumetričnih podatkov

Medtem ko je vizualizacija manjših volumetričnih podatkov (do 5123) izvedljiva v realnem času ob uporabi preprostih upodobljevalnih tehnik (npr. metanja žarkov), to še vedno ostaja zelo težko izvedljivo za velike volumetrične podatke (velikosti 20143 in večje). Pojavi se več problemov, med katerimi je poglavitni ta, da grafične kartice večinoma nimajo dovolj pomnilnika za hranjenje celotne zbirke. Cilj magistrske naloge je pregledati state-of-the-art pristope na tem področju, izbrati najprimernejšega za podano domeno ga implementirati in morebiti izboljšati. Primer takšnega prisotpa je podan med viri. Zaradi performančnih prednosti je želena uporaba programskega jezika C++ in grafine knjižnice OpenGL ali Vulkan.

Literatura:

  1. Brix, Tobias, Jörg-Stefan Praßni, and Klaus Hinrichs. “Visualization of Large Volumetric Multi-Channel Microscopy Data Streams on Standard PCs.” arXiv preprint arXiv:1407.2074 (2014).

Segmentacija oblakov točk

Pogosto želimo oblak točk razdeliti v skupine točk, ki pripadajo posameznim objektom in na ta način izvesti klasifikacijo točk, na primer za potrebe prepoznave posameznih objektov v slikah globinskih kamer ali identifikacije posamičnih objektov v zbirkah LiDAR podatkov. Primer takšne kategorizacije je predstavljen v spodnjih virih. Cilj magistrske naloge je razviti ogrodje za klasifikacijo točk v LiDAR podatkih kjer lahko za samo klasifikacijo enostvno zamenjamo uporabljeno metodo. Razvito ogrodje mora delovati hitro in omogočati tudi vizualizacijo rezultatov. Lahko je vtičnik za kakšno obstoječe orodje za obdelavo oblakov točk.

Literatura:

  1. Sergey Alexandrov. “Geometrical Segmentation of Point Cloud Data by Spectral Analysis”, Master thesis, University of Applied Sciences Bonn-Rhein-Sieg, Sankt Augustin, Germany, 2014
  2. Sergey Alexandrov. “Geometrical Segmentation of Point Cloud Data by Spectral Analysis”, Master thesis, University of Applied Sciences Bonn-Rhein-Sieg, Sankt Augustin, Germany, 2014 [Slides]