Razpisane teme za magistrske naloge (2. stopnja)

LGM - Laboratorij za računalniško grafiko in multimedije

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

Multimediji - zvok in glasba

Vizualizacija glasbenih vzorcev

V nalogi se bomo posvetili vizualizaciji vzorcev v glasbi. Ker je definicija “vzorca” zelo obširna in subjektivna, bomo z vizualizacijo poskušali prikazati in analizirati razlike v percepciji ekspertov in slednje primerjali z obstoječimi algoritmi za odkrivanje vzorcev. Vizualizacijo in rezultate bomo objavili na konferenci ISMIR in jih uporabili za predstavitev vzorcev v okviru tekmovanja MIREX.

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

Neposredno upodabljanje polnih modelov (CERN) z metodo sledenja žarkom

Polni modeli CSG (angl. Constructive Solid Geometry - CSG) predstavljajo natančen opis 3D modela z uporabo Boolovih operacij nad osnovnimi geometrijskih primitvi. Na takšen način je pogosto opisana tudi realna geometrija, npr. geometrija detektorjev osnovnih delcev v velikem hadronskem trkalniku (angl. Large Hadron Collider - LHC) v CERNu. Geometrija je tako definirana povsem natančno in se lahko uporabi tudi za končno izdelavo delov detektorja. V večini primerov se za upodabljanje takšne geometrije iz opisa najprej ustvari mrežno predstavitev modela pri izbrani natančnosti, nato pa se izrisuje mrežni model. Cilj magistrske naloge je zaobiti potrebo po pretvorbi geometrije zapisane v formatu CSG v mrežni zapis in geometrijo upodobiti neposredno iz opisa samega.

Literatura:

  1. S. Mostajabodaveh, A. Dietrich, T. Gierlinger, F. Michel, A. Strok CSG Ray Tracing Revisited: Interactive Rendering of Massive Models Made of Non-planar Higher Order Primitives, 2017
  2. D. Bogolepov, D. Ulyanov, V. Turlapov GPU-optimized Ray-tracing for Constructive Solid Geometry Scenes, 2016
  3. D.Y. Ulyanov, D.K. Bogolepov, V.E. Turlapov Spatially Efficient Tree Layout for GPU Ray-tracing of Constructive Solid Geometry Scenes, 2016
  4. F. Romeiro, L. Velho, L. H. de Figueiredo Scalable GPU rendering of CSG models, 2008
  5. F. Romeiro, L. Velho, L. H. de Figueiredo Scalable GPU rendering of CSG models, 2007

Rekonstrukcija oblik subceličnih struktur iz segmentiranih mikroskopskih podatkov

Pri segmentaciji objektov v volumetričnih predstavitvah so dobljene strukture predstavljene z voksli, ki hranijo verjetnost, da določen voksel pripada neki segmentirani strukturi. Te strukture pogosto ustrezajo nekim približnim oblikam, na primer pri mikroskopskih podatkih mitohondrijem v celicah. Za boljšo rekonstrukcijo 3D oblik tako želimo dobljene segmentirane oblike predstaviti s čim bolj pravilnimi površinami. Tako je potrebno za posamezni tip struktur izbrati primerne omejitve in jih uporabiti pri rekonstruiranju 3D geometrije.

Literatura:

  1. K. V. Kaltdorf, K. Schulze, F. Helmprobst, P. Kollmannsberger, T. Dandekar, C. Stigloher FIJI Macro 3D ART VeSElecT: 3D Automated Reconstruction Tool for Vesicle Structures of Electron Tomograms, 2017
  2. M. Rouhani, A. D. Sappa, E. Boyer Implicit B-Spline Surface Reconstruction, 2015.

Rekonstrukcija izbranih objektov v oblakih točk LiDAR (mostovi, gore, gozdovi, zgradbe)

Zajem okolja s tehnologijo LiDAR nam daje možnost podrobnejšega vpogleda v krajino, brez da bi se morali sprehajati po obširnih prostranih ali celo neprehodnih območjih. Ker so podatki večinoma zajeti iz letala, smo omejeni na predstavitev zgornje plasti površja, ki ne prepušča laserskih žarkov. Dostikrat tako ne dobimo dovolj natančne predstavitve določenih delov površja, kot se zgodi v primeru mostov, previsov v gorah, bočnih sten zgradb ali pod gostimi krošnjami dreves. Cilj magistrske teme si je izbrati eno (do dve) vrsti objektov, ki bi jih želeli rekonstruirati in “popraviti” njihovo predstavitev v oblaku točk. Ideja je torej, da v oblak točk dodamo nove točke, ki bodo podrobneje opisale izgled izbranih objektov: na primer reko, ki teče pod mostom, dodati stene zgradbam, dodati točke v previsnih stenah gora. Pri tem si lahko pomagamo tudi z drugimi geodetskimi podatki, ki so nam na voljo (vektorske karte, podatki o oblikah in višinah zgradb ipd.).

Literatura:

  1. B. Wu, B. Yu, Q. Wu, S. Yao, F. Zhao, W. Mao, J. Wu A Graph-Based Approach for 3D Building Model Reconstruction from Airborne LiDAR Point Clouds, 2017.
    https://www.mdpi.com/2072-4292/9/1/92/htm
  2. M. He, Y. Cheng, Y. Nie, L. Qiu, Z. Zhao An Algorithm of Reconstructing LiDAR Building Models Based on Isoheight, 2017.
  3. M. Kadaa, L. McKinley 3d Building Reconstruction from Lidar Based on a Cell Decomposition Approach, 2017.
  4. R. Cao, Y. Zhang, X. Liu, Z. Zhao 3D building roof reconstruction from airborne LiDAR point clouds: a framework based on a spatial database, 2017.