Попов
Александр Александрович

Тематика выпускных работ

 

 

Примерная тематика  выпускных бакалаврских работ для студентов 3-4 курсов ФПМИ

Руководитель: д.т.н., проф. Попов А.А.

 

 

 

  1. Стеганография, стегоанализ, цифровые водяные знаки

(Steganography, steganalysis, digital watermark)

  1. Алгоритмы встраивания ЦВЗ в пространственной области изображения.
  2. Алгоритмы встраивания ЦВЗ в области преобразования изображения (дискретное косинусное преобразование, вейвлет преобразование).
  3. Алгоритмы стеганоанализа изображений. Статистические и другие атаки.
  4. Алгоритмы внедрения ЦВЗ в аудиосигналы.

 

  1. Алгоритмы метода опорных векторов в задачах анализа данных

(Support Vectors Machines, SVM)

  1. Классические алгоритмы классификации на два класса по методу SVM.
  2. Мультиклассовая классификация с использованием SVM.
  3. Робастное регрессионное моделирование с использованием SVM.
  4. Распознавание лиц с использованием SVM.
  5. Распознавание изображений с использованием SVM.
  6. Категоризация текста с использованием SVM.
  7. Одноклассовая классификация с использованием SVM.
  8. Многоядерные методы. Аддитивные и нелинейные композиции ядерных функций.
  9. Многоядерные методы. Поиск оптимальных подпространств признаков.
  10. Построение разреженных решений по методу опорных векторов.
  11. Применение SVM алгоритмов для описания контуров выделенных сегментов.
  12. Классификация текстов с использованием модели «мешок слов» и SVM классификатора.

 

  1. Deep Learning

 

  1.  Разработка и исследование алгоритмов глубокого обучения (Deep Learning).
  2.  Применение алгоритмов глубокого обучения в задачах классификации, сегментации, кластеризации.
  3.  Глубокое обучение. Выбор и исследование алгоритмов формирования промежуточных слоев глубокой нейронной сети.
  4. Автокодировщики. Их обучение и применение.
  5.  Рекуррентные нейронные сети.
  6.  Порождающие состязательные сети.
  7.  Глубокое обучение с подкреплением.
  8.  Переносимое обучение

 

 

  1. Задачи соревнований с платформы https://www.kaggle.com/competitions

Задачи отличаются актуальностью. Как правило, имеются наборы данных.

 

 

  1. Machine Learning and Data Mining
  1. Описание и классификация текстур изображений с использованием вейвлет преобразований.
  2. Организация запросов к базам изображений с использованием различных метрик расстояний в пространстве вейвлет преобразований.
  3. Разработка и исследование алгоритмов поиска нетипичных (исключительных) наборов данных в базах данных.
  4. Методы частичного обучения (Semi-Supervised Learning).
  5. Поиск оптимальных проекций (projection pursuit).
  6. Методы визуализации многомерных данных с использованием самоорганизующихся карт Кохонена (SOM). Организация визуальных запросов к базам данных.
  7. Методы визуализации многомерных данных с использованием самоорганизующихся карт Кохонена (SOM). Использование SOM в мониторинге технологических процессов.
  8. Методы визуализации многомерных данных с использованием самоорганизующихся карт Кохонена (SOM). Использование SOM в задачах геологоразведки.
  9. Кластеризация и/или классификация с поиском оптимального пространства признаков (проекций).
  10. Классификация с использованием мер различий (Dissimilarity).
  11. Обучение с подкреплением (reinforcement learning). Q- обучение. Нейродинамическое обучение. Приложения к обучению интеллектуальных агентов.
  12. Ядерные методы главных компонент (Kernel PCA).
  13. Методы машинного обучения и анализа данных для рекомендательных систем.
  14. Алгоритмы поиска прототипов в метрических алгоритмах классификации.
  15. Использование виртуальных объектов для отбора прототипов (столпов).

 

6. Анализ изображений в задачах компьютерного зрения (Computer Vision)
  1. Алгоритмы сегментации изображений. Сегментация через кластеризацию, сегментация через подбор моделей, сегментация с использованием вероятностных методов.
  2. Поиск лиц на изображениях. Могут быть несколько проектов, реализующие различные подходы. В том числе: методы, основанные на знаниях, методы, основанные на признаках, методы, основанные на шаблонах, методы, основанные на обучении (см. обзор icpr04_tutorial.pdf, PAMI2002_1_Yang…).
  3. Поиск лиц на изображении с использованием деформируемых моделей. Могут быть проекты по деформируемым моделям свободной формы и по параметрическим деформируемым моделям.
  4. Поиск лиц на изображениях с учетом текстуры кожи.
  5. Нейросетевые алгоритмы поиска лиц на изображениях.
  6. Сегментация изображений .
  7. Выделение контуров .
  8. Обнаружение пешеходов на изображениях.
  9. Поиск в цифровых библиотеках .
  10. Анализ выражения лица с использованием дескрипторов на базе фильтров Габора.
  11. Распознавание образов на изображениях с использованием методов стохастической геометрии (по работам Федотова Н.Г.).
  12. Обнаружение и идентификация номерных знаков припаркованных автомобилей в режиме реального времени. Могут быть два проекта, реализующие различные подходы. .
  13. Инвариантное к вращению распознавание объектов на изображении с использованием ориентированных Гауссовских фильтров (AIM-2004-019.pdf, AIM-2004-007.pdf) .
  14. Распознавание объектов на изображении с использованием инвариантных моментов.
  15. Распознавание классов объектов на изображении (dorko_schmid_obj_class…..pdf, dorko_iccv03….pdf).
  16. Обнаружение инвариантных к масштабу и аффинным преобразованиям точек интереса на изображениях (mikolajczyk_ijcvpdf, lear2004.pdf, mikolajczyk_pami004.pdf и др.)
  17. Поиск лиц на изображении с использованием цветовой составляющей текстуры кожи .
  18. Поиск лиц на изображении с использованием нейросетей .
  19. Поиск изображения лица в базе данных при помощи метода главных компонент.
  20. Распознавание рукописных знаков с использованием нейросетей.
  21. Обнаружение объектов, заданных эталонами.
  22. Обнаружение препятствий на дороге перед движущимся транспортным средством.
  23. Система слежения за положением головы и направлением взгляда ребенка ( Для начала см., например, "Обработка и анализ цифровых изображений с примерами на LabVIEW IMAQ Vision"// Визильтер Ю.В., Желтов С.Ю., Князь В.А., Ходарев А.Н., Моржин А.В. – М.: ДМК Пресс, 2007. – 464 с.).
  24. Система для оценки ветхости денежных банкнот (Для начала см. там же).
  25. Биометрия по радужной оболочки глаза.
  26. Биометрия по голосу.
  27. Биометрия по отпечатку ладони.
  28. Биометрия по геометрическим характеристика ладони.
  29. Биометрия по капиллярному узору.
  30. Распознавание- идентификация On-Line подписи (с учетом траектории написания) на документе.
  31. Сегментация изображений с беспилотников.
  32. Распознавание дорожных знаков

 

 

 

7. Анализ биомедицинских сигналов

                Примеры биомедицинских сигналов: электронейрограмма (ЭНГ), электромиограмма (ЭМГ), электрокардиограмма (ЭКГ), электроэнцефалограмма (ЭЭГ), потенциалы, связанные с событиями (СС), электрогастрограмма (ЭГГ), фонокардиограмма (ФКГ), каротидный пульс (КП), речевой сигнал, вибропртрограмма (ВАГ) коленного сустава

 

  1. Обнаружение событий. Цель – идентифицировать дискретные эпохи рассматриваемого биомедицинского сигнала и соотнести их с событиями в соответствующих физиологических событиях. Примеры событий: Р-зубец, PQ-сегмент, QRS-комплекс, ST-сегмент, T-зубец, первый тон сердца, второй тон сердца, дикротическая выемка в каротидном пульсе, ритмы ЭЭГ, К-комплекс и спайк на ЭЭГ.
  2. Анализ волн и их сложности. Анализ волн ЭКГ, выделение и анализ огибающей, анализ активности. Применение: анализ ЭКГ при физической нагрузке, анализ дыхания.
  3. Моделирование процессов и систем, порождающих биомедицинские сигналы. Задача: предложить математические модели, представляющие процесс генерации биомедицинских сигналов.
  4. Использование признаков, полученных при анализе биомедицинских сигналов для решения задач классификации и диагностики.

Литература: Р.М. Рангайян. Анализ биомедицинских сигналов. Практический подход. –М.:Физматлит. –2010.

 

 8. Разработка приложений для носимых умных гаджетов

 

Разработка приложений для записи, хранения и анализа биомедицинских сигналов, снимаемых с носимых современных и перспективных гаджетов. Помимо биомедицинских сигналов могут рассматриваться и другие сигналы, связанные с позиционированием человека, отдельных частей его тела, акселометрические сигналы и т.д. Речь идет об математическом, алгоритмическом и программном обеспечении технологий mHealth , направленных на реализацию концепций мобильной медицины, персонифицированной медицины, поддержания здорового образа жизни.

 9. Задачи из категории «Умный город»

10.
Задачи Map Matching

 

 

Актуализированный список тем на 2021 год (бакалавриат-магистратура)

 

  1. Генерация обучающих примеров с использованием состязательных нейронных сетей
  2. Рекомендательные системы с использованием классических и нейронных алгоритмов обучения.
  3. Заполнение пропусков в данных с использованием алгоритмов глубокого обучения.
  4. Алгоритмы поиска прототипов в задачах классификации по методу ближайших соседей.
  5. Использование виртуальных объектов для отбора прототипов (столпов).
  6. Классификация в условиях частично размеченной выборки данных
  7. Использование нелинейных проекций признаков в задачах классификации
  8. Поиск оптимальных проекций (projection pursuit).
  9. Мультиклассовая классификация на основе LS SVM
  10. Классификация с использованием мультиядерных композий в LS SVM.
  11. Распознавание запрещенных предметов при сканировании багажа.
  12. Восстановление пропущенного слова в предложении с использованием методов глубокого обучения.
  13. Алгоритмы многокритериальной кластеризации больших объемов данных.
  14. Ограниченные машины Больцмана в нейронных сетях глубокого обучения
  15. Разработка системы удаленного мониторинга здоровья человека
  16. Разработка имитационной модели мобильного робота для построения карты помещения
  17. Разработка автоматизированной системы контроля состояния контейнеров в «умном городе»
  18. Разработка и исследование алгоритмов сегментации изображений с использованием классического и нейросетевого подходов
  19. Кластеризация траекторных данных с использованием mixture regressions.
  20. Ядерные методы главных компонент (KPCA)
  21. Эволюционные нейросети.
  22. Машинное обучение в условиях Big Data с использованием языка GO.

 

 

 

P.S.

Принимаются к рассмотрению также авторские темы, навеянные личными интересами или связанные с характером работы на предприятиях и фирмах. Это могут быть прикладные задачи анализа данных, проектирование и реализация прикладных информационных систем, проектирование и реализация экспертных систем в различных областях, программ со встроенным интеллектом, проектирование и разработка систем электронной торговли, B2B, корпоративных порталов, электронных бирж, дистанционного образования, автоматизированных рабочих мест (АРМ), информационных рабочих мест (ИРМ) и т.д.

 

Наверх