ABCDEFGHIJKLMNOPQRSTUVWXYZ
1
 IndeksImePrezimeEmailIme tima (opciono)Tema projektaDetaljan opis projektaPrihvaćenKomentarTermin odbrane 10.02.2017.Termin odbrane 25.02.2017.
2
1sw10/2013StefanKalnakkalnak.stefan@gmail.comDetekcija dijabetesne retinopatijeProblem koji se rešava: Detekcija dijabetesne retinopatije i određivanje stepena razvijenosti bolesti na osnovu slika mrežnjače. Koristiće se: konvolutivne neuronske mreže i regresija. Pretprocesiranje slike biće odrađeno koristeći scikit paket. Rešenja će biti upoređena u odnosu na različite arhitekture neuronske mreže i ostalih parametara, kao što su aktivacione funkcije. Podaci su preuzeti sa sajta www.kaggle.com/c/diabetic-retinopathy-detection1vessel enhancement in images14:00
3
sw18/2013SebastijanStevanovićsebastijan94@yahoo.comPogledajte link za jedno resenje
4
https://www.google.rs/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&ved=0ahUKEwjSkYmjjODQAhUJZCwKHZDkD8UQFggiMAA&url=http%3A%2F%2Fwww.springer.com%2Fcda%2Fcontent%2Fdocument%2Fcda_downloaddocument%2F9783319219622-c2.pdf%3FSGWID%3D0-0-45-1520493-p177579263&usg=AFQjCNE69Hufves8QgbVnicMxAHZJ_6n_w&sig2=mj5C2PFEIB9Cl63zmPH3ZA
5
2sw 15/2013DragutinMarjanovićdmarjanovic94@gmail.comBaćutinBookscanProblem koji se rješava: Prepoznavanje knjige skeniranjem njenog bar koda. Svaka od skeniranih knjiga se može i ocijeniti na osnovu čega će se vršiti i preporuka drugih knjiga. Svi podaci o knjigama se preuzimaju sa sajta Virtuelna biblioteka Srbije (http://www.vbs.rs). Pošto se podaci dobijaju u formatu slike, vršiće se i OCR nad navedenom slikom, kako bi se isparsirali dati podaci. Za preporuku će se koristiti algoritam kolaborativnog filtriranja (user-user). Klijentska aplikacija će biti implementirana u Android-u, a serverska će koristiti Spring framework. 1Na koji nacin bi se proverila greska? Na koji nacin merimo performanse?14:30
6
sw 9/2013BojanBlagojevićdatiglavaradi@gmail.com
7
8
3sw25/2013MinaMedićKMJ co.OsmosmerkaProblem koji se rešava: Slikanje osmosmerke i rešavanje. Algoritmi koji će se koristiti: algoritam za predprocesiranje slike, algoritam za izdvajanje slova u osmosmerci, algoritam za prepoznavanje reči koje moraju da se pronađu u osmosmerci (ono sa strane), algoritam za rešavanje osmosmerke, algoritam koji prikazuje rešenje. Podaci koji se koriste: podatke ćemo skupiti manuelno, koristiće se fotografije koje sami napravimo, potrebna je prethodna obrada fotografije. 1Ovo deluje ok15:00
9
sw31/2013KatarinaPreradov
10
sw33/2013JovanaMićić
11
4sw5/2013JasnaStankovićjasnaa994@gmail.comImage stitchingProblem koji se rešava: spajanje više slika u jednu celinu ( slično kao panorama). Rešenje će biti bazirano na korišćenju SIFT algoritma za izdvajanje ključnih elemenata slika, RANSAC algoritma za pronalaženje odgovarajućih elemenata na slikama, probabilističke metode za proveru tačnosti poklapanja i blend-ovanja dobijene slike. Tačnost rešenja će biti upoređena i diskutovana sa već postojećim rešenjima ovog problema.1Ovo deluje ok12:00
12
sw21/2013Nikola Lukićluknik94@gmail.com
13
14
5sw2/2013ArsenijeVladisavljevarsenije.vladisavljev@gmail.comAndada siIdentifikacija kitovaProblem koji se rešava je identifikacija kitova koji se nalaze u severnom delu Atlantskog okeana. Potrebno je izvršiti detekciju i identifikaciju kitova. Što se tiče metoda pokušaćemo sa HOG i SVM i sa konvolutivnim neuronskim mrežama. Ove dve metode(HOG + SVM i konv. neu. mreže) će biti međusobno upoređene. Takođe ćemo naša rešenja uporediti i sa rešenjima sa takmičenja. Podaci koji se koriste su dostupni online: https://www.kaggle.com/c/noaa-right-whale-recognition. U datasetu postoji skoro 12000 slika približno 500 različitih kitova. Train dataset sadrži negde oko 4500 slika, dok će ostale biti korišćene za testiranje algoritama.1Odlicne ispravke16:30
15
sw12/2013Milorad Vojnovićmilekuglas@gmail.com
16
17
6sw36/2013DušanBorovčaninborovcanindusan1@gmail.com Detekcija lica i emocije na videuProblem koji se rešava: Detekcija lica i određivanje emocije prisutne na licu. Detekcija će se vršiti na videu u real-time-u, tokom samog snimanja lica. Za detekciju lica će se koristiti Haar kaskadna klasifikacija (Viola-Jones). Za detekciju emocije će se koristiti konvolutivna neuronska mreža koja će se trenirati i testirati setom obeleženih podataka prisutnih na sledećem sajtu: https://www.kaggle.com/c/challenges-in-representation-learning-facial-expression-recognition-challenge/data. Kako se detekcija radi u real-time-u, detekcija će se vršiti na svakom n-tom frame-u, sa tim da će vrednost n zavisiti od performansi algoritama za detekciju.1Deluje ok15:30
18
sw4/2013AleksandarNovakovićanovakovic01@gmail.com
19
20
7sw3/2013StefanRistanovićst.keky@gmail.comKebraBrick Breaker AR1. Problem koji se rešava je detekcija kretnje objekta na kameri i tu kretnju koristiti za upravljanje podloge u "Brick Breaker" igrici.
2. Algoritam koji će se koristiti za motion detection je Bajesov Motion Detection Algoritam.
3. Metrike koje će se koristiti za izračunavanje performansi su: brzina detektovanja, tačnost detektovanja i utrošenost memorijskog prostora.
4. Problem nema test podatke, pošto je plan da se realizuje kao igrica biće implementirano uz pomoć pygame biblioteke i openCV.		1Deluje ok16:00
21
sw8/2013StefanBratićcobrijani@gmail.com
22
23
8sw20/2013Aleksa Zrnicfistulator@gmail.comPredikcija objekta političkih memaProblem koji se rešava: Pomoću teksta u memi preopoznajemo kog se kandidata u američkim izborima 2016. godine ta mema tiče i šta autor misli o njima. Podaci koji se koriste su dostupni ovde https://www.kaggle.com/SIZZLE/2016electionmemes . Koristiće se više algoritama i porediti efikasnost.1Deluje ok posle razgovora na casu.12:30
24
Latent Dirichlet Allocation
25
Latent Semantic Analysis
26
9sl1/2013MladenVidović
NeurodePrepoznavanje saobraćajnih znakova1. Problem koji se rešava: Detekcija i klasifikacija saobraćajnih znakova.
2. Algoritmi koji se koriste: Konvolucijska neuronska mreža za klasifikaciju znakova, algoritmi za prepoznavanje oblika, algoritmi za segmentaciju slike.
3. Metrika za poređenje performansi: Classification Accuracy, tačnost pronalaženja oblika, vreme izvršavanja i memorijska zahtevnost.
4. Podaci koji se koriste: Dostupni su online na adresi http://benchmark.ini.rub.de/?section=gtsdb&subsection=dataset . Slike iz dataseta se skaliraju po potrebi.		1Ovo zvuci dobro!
27
sl16/2013DavidDražić
28
29
10sw19/2013IvanMihajlovmihajlov.ivan94@gmail.comITDPrepoznavanje marke i modela automobila1. Problem koji se rešava: prepoznavanje marke i modela automobila na slici
2. Algoritmi koji se koriste: konvolutivna neuronska mreža za klasifikaciju automobila i algoritam skaliranja i transformacije slika
3. Metrika za poređenje performansi: validacioni dataset na osnovu kojeg će se određivati tačnost algoritma
4. Podaci koji se koriste: training images, testing images i devkit dostupni na http://ai.stanford.edu/~jkrause/cars/car_dataset.html		1Ovo zvuci dobro!13:00
30
sw27/2013TamaraVarađanintamaravaradjanin94@gmail.com
31
sw11/2013DamjanBećirovićdamjan.becirovic@gmail.com
32
11sl21/2013MarkoPurićmarkobanja@gmail.comGodfatherPrepoznavanje i prebrojavanje automobila na video snimkuProblem koji se rešava: prepoznavanje i prebrojavanje automobila na video snimku. Koristiće se algoritmi za praćenje kretnje automobila, za prebrojavanje i za prepoznavanje automobila na video snimku. Podaci dolaze u sklopu projekta odnosno učitavaju se sa diska.1Deluje ok
33
sl31/2013BranislavLukićbranislavlukicmail@gmail.comNajverovatnije cemo koristiti C++ i OpenCV biblioteku.
34
Sto se tice podataka koristi se video snimak saobracaja koji se nalazi na racunaru koji ce doci u okviru projekta.
Sto se tice algoritama, koristicemo najverovatnije blob algoritam za detekciju, algoritam za prepoznavanje oblika i algoritam za prebrojavanje prepoznatih oblika.
35
12sl25/2013JovanPopovićjovanpop92@gmail.comtim 12Prepoznavanje slova Problem koji rešavamo jeste prepoznavanje slova sa slike. Na slikama će biti ručno napisan tekst štampanim slovima. Podaci koji se koriste biće sakupljeni manuelno i biće prosleđeni uz projekat. Koristiće se algoritmi za obradu slike, algoritam za izdvajanje slova. Koristiće se python openCV. Tačnost programa se proverava kao odnos broja prepoznatih slova i ukupnog broja slova na slici.1
36
sl03/2013IvanaTešanovićivanatesanovic95@gmail.com
37
sl09/2013DejanJovanovićdejan.jovanovic94@gmail.com
38
13sl17/2013IvanRadosavljevićDetekcija nepravilnosti na mamografskim snimcimaProblem koji se rešava jeste pronalaženje mikrokalcifikacija i asimetričnosti na mamografskim snimcima kao i klasifikacija ovih anomalija.
Algoritmi: algoritmi za segmentaciju, algoritmi za detekciju ivica, algoritmi za klasifikaciju, algoritmi za grupisanje (klasterizaciju).
Performanse će biti izražene preko brzine izvršavanja, tačnosti klasifikacije (odnosno koliko je bilo false positive i false negative rezultata) i memorijske zahtevnosti. Za svaku grupu algoritama će se upotrebiti bar dve implementacije kako bi se izvršilo upoređivanje njihovih performansi i izbor najpogodnije implementacije.
Podaci su dobavljeni iz lokalnog doma zdravlja i nisu javno dostupni. Prethodna obrada podataka podrazumeva primenu VOI lookup tabela nad podacima.		1Deluje ok
39
sl19/2013AleksandraMitrović
40
41
14sw61/2015StefanPlazićstefan.plazic@gmail.com PLAZA Manipulation of Augmented Reality Objects Using Fingertip Tracking1. Problem koji se resava: Moguca rotacija 3D objekata koriscenje šake i položaja prstiju , 2. Algoritmi koji se koriste: Adaptive Hand Segmentation , Accurate Fingertip Detection, Fingertip Tracking 3. Metrika za poredjenje performansi: Porediće se efikasnost manipulacije objekta. 4. Podaci koji se koriste: Ručno generisani podaci1Deluje ok13:30
42
43
44
15sw29/2013BožoBjekovićbozobjekovic@gmail.comDetekcija i iscrtavanje krvnih sudova na osnovu mrežnjače okaProblem koji se rešava: Segmentacija krvnih sudova. Pronalazak krvnih sudova na slici mrežnjače oka i njihovo iscrtavanje. Biće korišćeni razni filteri za rešavanje problema od kojih je najznačajnij morfološki filter. Prilikom implementacije projekta oslanjaćemo se na sledeće: http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.60.8996&rep=rep1&type=pdf. Fotografije su unapred pripremljene, slikane medicinskim aparatom. Performanse će biti poređene pomoću IoU (intersection over union, tj. Jaccard index) . 1Deluje ok16:30
45
sw32/2013AnaMarojevićana94ns@hotmail.comDobra referenca
46
sw65/2014MajaMiljićmajamiljic2@gmail.com
47
16sw93/2016NovicaNikolićnole0223@gmail.comDetekcija i1. Detekcija lica na slici pomocu python openCV | 2. Prilikom detekcije lica oznaciti ime osobe na slici na taj nacin uciti neuronsku mrezu1Deluje ok14:00
48
prepoznavanjeo osobi na slici. | 3. Posle odredjenog broja slika neuronska mreza bi trebala sama da prepozna osobu na slici.
49
licana na datoj slici
50
17sw35/2013LukaKlacarl.klacar@vegaitsourcing.rsAndroid aplikacija za prepoznavanje cifara napisanih rukomKoristice se OpenCV biblioteka za detekciju cifara napisanih rukom. Input ce biti preko kamere telefona. Algoritam klasifikacije ce biti Linear Support Vector Classification.1Deluje ok14:30
51
sw41/2013MiljanaVinokicvinokicmiljana@gmail.com
52
sw17/2013IvanaSavinivana.unitedforce@gmail.com
53
18sw1/2013MilosObradovicmilossm94@hotmail.comKlasifikacija instagram slika
Klasifikacija instagram slika na kategorije kao sto su selfie, auto, priroda, urban.. tako da korisnik na osnovu unesene slike dobije odgovarajuce hashtag-ove koji opisuju sliku.
Koristice se algoritam za segmentaciju slika, konvolutivne neuronske mreze za prepoznavanje objekata tj. oblika na slici.
Metrika za poredjenje performansi: validacioni dataset na osnovu kojeg ce se odredjivati tacnost algoritma tj. tacnost pronalazenja oblika na slici i classification accuracy.
Za prikupljanje dataset podataka ce se kreirati image scraper za instagram, preko kojeg ce se skupljati odgovarajuce slike za dataset.		1Deluje ok15:00
54
sw38/2013MilosAndricmilosa942@gmail.com
55
sw43/2013MladenDoslicdoslicmm@live.com
56
19sw39/2013KristinaGrujickristina@kolosek.comPrepoznavanje teksta saProblem : Prepoznavanje teksta pisanog Brajevom azbukom sa slike i prevodjenje na alfabet. Potrebno je preprocesiranje podataka,1Deluje ok17:00
57
slike pisanog Brajevomkoji ce biti skupljeni manuelno. Koristice se viseslojni perceptron (bice implementirana propagacija unapred i unazad, radi poredjenja),
58
azbukomi vogl acceleration algoritam, kao i razliciti algoritmi obrade slika pri preprocesiranju. Poredjenje performanski algoritama ce biti vrseno na
59
osnovu tacnosti prepoznavanja, preciznosti, i dodatih/ignorisanih tacaka. Projekat ce biti izradjen u Scala programskom jeziku.
60
20sw22/2013KristinaPomorisackristipomo@gmail.comDetekcija i prepoznavanjeProblem koji se resava: Detekcija i prepoznavanje slova sa slike. Slova mogu biti razlicitog fonta, boje i velicina.Podaci ce biti sakupljeni 1Deluje ok17:30
61
slova na slicimanualno. Koristice se algoritmi za prepoznavanje i detekcije teksta u slici. Poredjenje performansi algoritama ce biti vrseno na osnovu
62
tacnosti prepoznavanja slova.
63
21sw61/2014MladenStajčićdiskozub@hotmail.comTim 7Facial RecognitionProblem: Prepoznavanje lica osoba na slikama. Vrsice se prepoznavanje lica na slici HOG algoritmom, centriranje i transformacija slike ako1Deluje ok18:00
64
sw62/2014MiodragVilotijevićmiodragvilotijevic@gmail.comPrepoznavanje licaosoba ne gleda direktno u kameru - face landmark detection, izdvajanje krakteristicnih dimenzija lica koriscenjem neuronske mreze i
65
sw63/2014NemanjaŽunićn.zunic@yahoo.comosoba na sliciklasifikacija podataka koriscenjem KNN. Poredjenje performansi na osnovu tacnosti prepoznavanja.
66
Podaci skinuti sa sajta: www.openu.ac.il/home/hassner/Audience.data.html Koristice se dlib biblioteka, FaceNet, Python...
67
221Deluje ok
68
sl23/2013IgorSamurovićigorsamurovic@hotmail.comGenre DetectionProblem: Detekcija žanra određene pesme
69
(Detekcija žanra)Algoritam: Neuralne mreže
70
Mera uspeha: Poređenje dobijenog žanra sa poznatim (mi ćemo uvek znati žanr pesme koju procesiramo, i cilj je da nam algoritam
71
sa što većom stopom tačnosti to potvrdi)
72
Podaci: Data set se dobija iz ~1000 pesama raznih žanrova, koje će biti procesirane fourierovom transformacijom kako bismo dobili
73
željene podatke vezane za BPM (beats per minute), Frequency Response, i šta god drugo bude bilo potrebno da bi se podigla tačnost algoritma
74
Svrha: Ukoliko algoritam sa velikom stopom tačnosti potvrđuje žanr koji je nama unapred bio poznat, algoritam se može koristiti za
75
automatsko klasifikovanje pesama po žanrovima ukoliko pesme nisu unapred obeležene.
76
23sw37/2013KatarinaCerovićkatarina.cerovic20@gmail.comPrepoznavanje registarskih oznakaProblem koji se rešava: prepoznavanje registarskih oznaka automobila sa slike. Za prepoznavanje će se koristiti OpenCV biblioteka. Performanse će biti poređene na osnovu rezolucije slike, a tačnost na osnovu test skupa. Podaci će biti dostavljeni zajedno sa projektom gde će korisnik imati mogućnost da korsiti i svoje podakte.
1Deluje ok18:30
77
sw45/2013NikolaKoricanikolakorica@outlook.com
78
sw64/2013DunjaKrgadunja.krga@gmail.com
79
24sw13/2013Aleksandar
Rakić		aleksandarrkc1@gmail.comDetekcija ivica puteva
Problem: prepoznati puteve i njihove ivice sa slike. Koristiće se OpenCV biblioteka. Putevi mogu biti zakrivljeni ili ravni. Od algoritama će se		1Deluje ok
80
koristiti Canny Edge detector ili njemu slični algoritmi. Podaci će se manuelno skupljati.
81
82
25sw59/2013НиколаДакићпрепознавање играча видео снимку утакмице, анализа њиховог кретања и израчунавање просечне позиције сваког играча. користиће се неуронске мреже, ...1Deluje ok19:00
83
sw7/2013ђорђеМарјановић
84
26sw26/2013PredragKaljevicPrepoznavanje saobracajnih znakovaHOG + SVM. Projekat za 6119:30
85
sw51/2013NemanjaMilosavljevic
86
sw53/2013PredragFalcic
87
88
89
90
91
92
93
94
95
96
97
98
99
100