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://www.music-ir.org/mirex/wiki/2016:Multiple_Fundamental_Frequency_Estimation_%26_Tracking.
  2. 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 v okolju Sonic Visualizer razvili vtičnik 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 primerjavo transkripcijskih algoritmov

V diplomski nalogi je Jani Jež [1] razvil prvo verzijo sistema za primerjavo algoritmov za transkripcijo glasbe (tehnologije angular.js, node.js). V nalogi boste nadaljevali njegovo delo, vanj integrirali različne transkripcijske sisteme in preučili najboljše načine za vizualizacijo in primerjavo rezultatov teh sistemov.

Literatura:

  1. https://repozitorij.uni-lj.si/Dokument.php?id=88081&lang=slv

Računalniška grafika in vizualizacija

Vizualizacija zbirke pesemskih besedil

V nalogi se boste ukvarjali z iskanjem algoritmov in vizualizacijskih tehnik, ki bi kar najbolje predstavila zbirko pesemskih besedil. Pri tem je potrebno besedila najprej pretvoriti v obliko primerno za strojno analizo s tehnikami procesiranja naravnega jezika (NLP natural language processing), izgraditi ustrezne NLP modele in vizualizirati dobljene skupine pesmi tudi v odvisnosti od časa in prostora v katerem so nastale.

Programska koda bo integrirana v sistem za vizualizacijo besedil (tehnologije d3.js, angular.js, node.js, elasticsearch), preizkušena pa na zbirki besedil slovenske ljudske pesmi

Literatura:

  1. D. M. Blei, Probabilistic topic models, Communications of the ACM 55 (4) (2012) 77 – 84.
  2. A. Šilić, Visualization of text streams: A survey, Lecture Notes in Computer Science (0302-9743) (2010) 31 – 43.
  3. S. Havre, B. Hetzler, L. Nowell, Themeriver: Visualizing theme changes over time, in: INFOVIS ’00: Proceedings of the IEEE Symposium on Information Vizualization 2000, IEEE Computer Society, 2000.
  4. A. J.-B. Chaney, D. M. Blei, Visualizing topic models, in: ICWSM, The AAAI Press, 2012.

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

Simulacija pretoka tekočin z uporabo računskih senčilnikov (NEW!)

Zdravnike pri diagnozi določenih bolezenskih stanj v ožilju velikokrat zanima kako se po ožilju pretakajo tekočine. Namen magistrske naloge je izdelati primer takšnega simulacijskega in vizualizacijskega okolja na spletu za omejene primere uporabe.

Literatura:

  1. SimVascular (http://simvascular.github.io/)
  2. C.A. Taylor, T.J.R. Hughes and C.K. Zarins, Finite element modeling of blood flow in arteries, Computer Methods in Applied Mechanics and Engineering, 158(1):155-196, 1998. Link
  3. C.H. Whiting and K.E. Jansen, A stabilized finite element method for the incompressible Navier-Stokes equations using a hierarchical basis, International Journal for Numerical Methods in Fluids, 35(1):93-116, 2001. Link
  4. N. Wilson, K. Wang, R. Dutton and C. A. Taylor, A Software Framework for Creating Patient Specific Geometric Models from Medical Imaging Data for Simulation Based Medical Planning of Vascular Surgery, Lecture Notes in Computer Science, 2208:449-456, 2001. Link

Plesi: pretvorba iz zajetega gibanja v labanotacijo

Za opis koreografije se v praksi velikokrat uporablja t.i. labanotacija, ki omogoča zapis plesne koreografije v simbolni obliki. Koreografi to večinoma počno na roke, kar je dostikrat zamudno. Medtem, ko je avtomatsko razbiranje koreografije iz video posnetkov resnično težavno, je bolj priročno prepoznavanje koreografij iz podatkov zajetih s pomočjo obleke namenjene zajemu gibanja. Cilj naloge je tako izdelati prototipno aplikacijo, ki omogoča “transkripcijo”, s pomočjo obleke zajete koreografije, v labanotacijo.

Literatura:

  1. http://user.uni-frankfurt.de/~griesbec/CHOREOE.HTML
  2. http://en.wikipedia.org/wiki/Labanotation
  3. M. Nakamura and K. Hachimura. An XML representation of lavanotation,, LabanXML, and its implementation on the notation editor LabanEditor2.
  4. M. Müler. Information Retrieval for Music and Motion.
  5. D. Alexiadis, P. Daras, P. Kelly, N.E. O’Connor, T. Boubekeur, M.B. Moussa, Evaluating a Dancer’s Performance using Kinect-based Skeleton Tracking

Plesi: pretvorba labanotacije v vizualizacijo plesa

Plesne koreografije so v arhivih velikokrat zapisane v obliki labanotacije. V primeru digitalizacije to pomeni uporabo formata LabanXML. Za brskanje po arhivih bi uporabniku zelo koristilo, da bi si lahko določeno koreografijo tudi ogledal. Tako je cilj naloge izdelati aplikacijo namenjeno prikazu koreografije zapisane v obliki LabanXML na izbranem 3D modelu človeka. Pri tem je potrebno aproksimirati prehode med posameznimi stanji v notaciji za gladek prikaz v na 3D modelu.

Literatura:

  1. http://user.uni-frankfurt.de/~griesbec/CHOREOE.HTML
  2. http://en.wikipedia.org/wiki/Labanotation
  3. M. Nakamura and K. Hachimura. An XML representation of lavanotation,, LabanXML, and its implementation on the notation editor LabanEditor2.
  4. M. Müler. Information Retrieval for Music and Motion.
  5. D. Alexiadis, P. Daras, P. Kelly, N.E. O’Connor, T. Boubekeur, M.B. Moussa, Evaluating a Dancer’s Performance using Kinect-based Skeleton Tracking