Loading...
 

Themen für Studentenarbeiten


Hier finden Sie eine Auswahl aktuell zu vergebender Themen für Bachelor- und Masterarbeiten.
Meistens gibt es auf Nachfrage noch viele weitere Themen, die hier nicht aufgelistet sind, wobei Sie auch eigene Anregungen einbringen könnnen.
Wenden Sie sich bei Interesse an einer Arbeit einfach an Prof. Koch oder einen der Mitarbeiter.

Eine kurze Übersicht über alle Studentenarbeiten in der Arbeitsgruppe finden Sie unter diesem Link.
Eine detaillierte Übersicht über die Themen abgeschlossener Arbeiten finden Sie im Archiv.


Aktuell verfügbare Bachelorarbeiten:

Aktuell verfügbare Masterarbeiten:


Aktuell laufende Bachelorarbeiten:

Aktuell laufende Masterarbeiten:



Bachelor-/Masterarbeiten


Klassifizierung von Verletzungsmustern an Schweinen mit Hilfe Neuronaler Netzwerke

Masterprojekt       nicht vergeben

In diesem Masterprojekt sollen State-of-the-Art Klassifizierungsnetzwerke implementiert werden um die Verletzungsmuster bei Schweinen zu bewerten. Wir haben eine großen Datensatz an Bildern aus einem Schlachthof, welche von Experten bewertet wurden. Nun sollen Verfahren entwickelt werden um die Klassifizierung automatisch durchzuführen. Neben der reinen Klassifikation sollen die Daten auch aufbereitet werden und ggf. weitere Ansätze betrachtet werden um die Erkennung zu optimieren.

Schlagworte: Neuronale Netze, Image-Classification

betreut von: Johannes Brünger



Novelty Detection: Clustering von CNN-Features

Bachelorarbeit       nicht vergeben

Während des Trainings lernen Convolutional Neural Networks (CNNs) Features, die der Unterscheidung der Klassen im Trainingsdatensatz dienen. Allerdings können diese einmal gelernten Features auch zur Unterscheidung ganz anderer Klassen auf anderen Datensätzen genutzt werden. Ziel dieser Arbeit ist es, Klassen eines ungelabelten Datensatzes zu ermitteln. Hierzu sollen existierende Clustering-Algorithmen hinsichtlich ihrer Eignung verglichen werden.

Image

Die Merkmale des zu bearbeitenden Datensatzes wurden zuvor mittels eines CNNs aus vorhandenen Bildern extrahiert. Die Dimensionalität ist entsprechend hoch (d ~ 1k). Es soll untersucht werden, welche existierenden exakten und approximativen Clustering-Algorithmen und Implementierungen sich für den vorliegenden Datensatz eignen (hinsichtlich Laufzeit, Speicherverbrauch und Genauigkeit) und inwiefern sie die Datenpunkte entsprechend der bekannten Kategorien gruppieren. Möglicherweise lässt sich zeigen, dass sich einzelne Kategorien weiter unterteilen lassen, oder dass zusätzliche Kategorien existieren.

Ziel: Existierende Clustering-Algorithmen werden hinsichtlich ihrer Eignung im vorliegenden Fall verglichen.

Voraussetzungen: Machine Learning, Computergrafik, Programmierkenntnisse

bearbeitet von: NA
betreut von: Simon-Martin Schröder



Simulation und Visualisierung von Transportbändern mit Blender

Masterarbeit Masterprojekt       vergeben

Deep Learning Algorithmen haben das grundsätzliche Problem, dass eine große Zahl von Trainingsbildern benötigt wird. Auch das Trainieren eines Objektdetektors für Pakete auf Transportbändern ist bisher eine große Herausforderung. In dieser Arbeit soll dieses Problem mit der Erstellung von vielfältigen simulierten Daten angegangen werden.

Inspiration für die Arbeit/ dieses Projekt ist u.a. die Arbeit von Richter et.al. 2017
Publikation
Youtube video



Es sollen photorealistische Bildsequenzen von Paketbändern mithilfe des freien 3D-Simulationssoftware Blender erstellt werden. Diese sollten so physikalisch korrekt und realistisch wie nötig sein. Die Möglichkeiten die Blender in diese Richtung bietet können hierbei genutzt werden. Die Umsetzung mit einer passenden Gameengine ist auch denkbar. Relevante Themenkomplexe sind: Raytracing, Physically based rendering, Simulation

Image

Relevante Blender-Tutorials:
Blender Raytracing
Blender Physics
Blender Scripting

Youtube-Videos:
Blender Raytracing
Blender Physics

Ziel: Ziel der Masterarbeit ist es mit Blender realistische Bildsequenzen von Paketbänder zu erstellen.

Voraussetzungen: Grundlagen der Bildverarbeitung und Computer Graphik

bearbeitet von: NA
betreut von: Claudius Zelenka



Bachelorprojekt Powerbot 2017

Bachelorprojekt       vergeben

In dem Powerbot-Bachelorprojekt geht es darum, die mobile Roboterplattform "Powerbot" mit Software zu versehen. Der Powerbot verfügt über eine Vielzahl von Sensoren (Odometrie, Sonarsensoren, Farbkamera, Tiefenbildkamera) die zum selbständigen Navigieren, Kartieren, Wegfinden, etc. eingesetzt werden können.

Ziel: Ziel der Bachelorprojekte ist es, gemeinsam (in bis zu 3 Gruppen mit je 2 Personen) eine Software zur robusten autonomen Navigation für den Roboter zu implementieren.

Voraussetzungen: Programmierkenntnisse in C++, Grundlagen der Bildverarbeitung

bearbeitet von: Lukas Haschke, Nils Pöhlmann, Daniel Reckling, Nathan Wenserski

betreut von: Tim Michels, Stefan Reinhold






Automatische Detektion von Schweinen in Videobildern anhand von Ellipse Fitting

Bachelorarbeit       nicht vergeben

In dieser Bachelorarbeit soll untersucht werden, inwieweit es möglich ist, Schweine in Videobildern automatisch zu detektieren.
In der Verhaltensforschung von Tieren werden oft klassische Videoüberwachungssysteme eingesetzt. Um auch die Auswertung zum Teil automatisieren zu können, müssen die Tiere individuell segmentiert werden.
In dieser Arbeit soll ein bestehendes Verfahren zum Ellipse Fitting untersucht und auf echten Videos aus einem Versuchsstall angewandt werden, um die Tiere zu identifizieren.

Grauwert-Bild
Grauwert-Bild
Segmentierung
Segmentierung
Gefundene Tiere
Gefundene Tiere


Schlagworte: Segmentation, Ellipse Fitting, RANSAC

betreut von: Johannes Brünger



Tracking von Schweinen basierend auf Graph-Algorithmen

Bachelorarbeit       nicht vergeben

In dieser Bachelorarbeit sollen die von einem Detektor erkannten Positionen individuellen Schweinen zugeordnet werden. Dafür werden anhand von Position- und Farb-Daten Ähnlichkeitsmaße definiert und dann mit Algorithmen der Graphentheorie die Zugehörigkeit zu den Trackingtargets aufgelöst.

Schlagworte: Graph-Algorithmen, Tracklets

betreut von: Johannes Brünger



Automatisierte Analyse und Klassifizierung von Zwei-Photonen-Mikroskopie-Bildern zur Diagnose von Osteogenesis imperfecta

Bachelorarbeit (mehrere Themen)       nicht vergeben

      Osteogenesis imperfecta (OI) wird umgangssprachlich auch als Glasknochenkrankheit bezeichnet, da die Knochen leicht zerbrechlich sind und zum anderen im Röntgenbild eine glasige Struktur aufweisen. Die OI ist eine seltene Erbkrankheit, für die überwiegend autosomal-dominante, seltener auch autosomal-rezessive Erbgänge beschrieben sind. Hauptmerkmal der OI ist das veränderte Kollagen vom Typ I, was zu einer abnorm hohen Knochenbrüchigkeit mit unterschiedlichen Krankheitsbildern führt. (Quelle: Wikipedia)


Ziel der Arbeiten ist es, Zwei-Photonen-Mikroskop-Aufnahmen von Mäuse-Tibiae (Schienbeinen) automatisiert zu analysieren. Ziel der Analyse soll eine möglichst eindeutige Klassifizierung in Wild-Type (WT, "gesunde Maus") oder OI sein.

In einer Arbeit soll die Variation der Kollagenstrukturen über mehrere Schichten hinweg (in 3D) analysiert werden (Dicke, Ausrichtung, etc.). Da nicht klar ist, welche Parameter gut messbar und am aussagekräftigsten sind, soll dies zunächst am WT-Modell untersucht werden. Sind die Parameter des WT-Modells ausreichend charakterisiert, sollen diese genutzt werden, um eine Klassifizierung in WT und OI vorzunehmen.

Mittels FITC-Dextran-Markierung ist es möglich, Osteozyten (Zellen, die den Knochenaufbau regulieren) sichtbar zu machen. Ziel einer weiteren Arbeit ist es, die Osteozyten automatisiert zu segmentieren, zu vermessen, zu zählen und deren Ausrichtung zu bestimmen. Unter Umständen kann eine Korrelation mit den Kollagenstrukturen weitere Informationen liefern, um die Klassifizierung zwischen WT und OI zu verbessern.

2-Maximum-Projektion
2-Maximum-Projektion
3-Maximum-Projektion mit FITC-Dextran-Markierung
3-Maximum-Projektion mit FITC-Dextran-Markierung

Die Bilder zeigen Projektionen eines SHG-Schicht-Bildes einer Position an der Mäuse-Tibia (OI). Die hellen elliptischen Objekte im rechten Bild sind die Osteozyten in ihren Lakunen.

betreut von: Stefan Reinhold

Kooperation mit dem Molecular Imaging North Competence Center (MOIN CC)



Aufnahme und Darstellung von 360°-Stereo-Panoramen

Bachelor-/Masterarbeit       nicht vergeben

Ziel dieser Arbeit ist die Aufnahme von stereoskopischen 360°-Panoramen realer Szenen, sowie die Visualisierung der aufgenommenen Daten in einem Head-Mounted-Display (z. B. Oculus Rift).

Dazu sollen zunächst existierende Verfahren (z. B. basierend auf sphärischen Kameras, rotierenden Kameras, Stereokameras oder RGB-D-Kamerasystemen) untersucht und verglichen werden. Der Fokus der Masterarbeit liegt dabei auf der durch Tiefeninformation unterstützten Erstellung von Stereo-Panoramen (Depth-Augmented Stereo Panorama).

Voraussetzungen: Programmierkenntnisse in C/C++, Grundlagen der Bildverarbeitung, Computergrafik oder 3D-Szenenrekonstruktion

Literatur:

•   J. Thatte, J.-B. Boin, H. Lakshman, B. Girod: Depth Augmented Stereo Panorama For Cinematic Virtual Reality with Head-Motion Parallax, ICME 2016.   
Link
Website
•   F. Zhang, F. Liu: Casual Stereoscopic Panorama Stitching, CVPR 2015.   
Link
Website
•   C. Weissig, O. Schreer, P. Eisert, P. Kauff: The Ultimate Immersive Experience: Panoramic 3D Video Acquisition, MMM 2012.   
Link
Website
•   S. Peleg, M. Ben-Ezra, Y. Pritch: Omnistereo: Panoramic Stereo Imaging, PAMI 2001.   
Link
Website

betreut von: Arne Petersen



Verarbeitung von RGB-D-Lichtfelddaten eines linear bewegten Kamera-Arrays

Masterprojekt/Masterarbeit (mehrere Themen)       z. Z. keine Themen verfügbar

Image

In unserem Labor wird ein linear bewegliches großes Kamera-Array aus 24 Farbkameras und 2 RGB-D-Kameras (Microsoft Kinect v2) betrieben, das zur Aufnahme raumfüllender Lichtfelder verwendet wird. Die reinen Bilddaten werden dabei durch die Tiefenmessungen der Kinect-Sensoren ergänzt. Auf Grundlage dieser Daten können verschiedene Anwendungen realisiert werden, z. B. Full Parallax Imaging bzw. Free Viewpoint Video (Erstellung von Content für 3D-Displays, Live-Erzeugen betrachterabhängiger Ansichten), Augmented Reality-Anwendungen, sowie Beleuchtungs- und Materialanalyse oder Videonachbearbeitung mit synthetischen Blendeffekten.

Dieses Aufnahmesystem dient als Grundlage für eine Reihe von Studentenarbeiten aus dem Themenfeld der Lichtfelddatenverarbeitung und des (Depth) Image-Based Modeling and Rendering.

Schwerpunkte der Arbeiten:

  • Kalibrierung des Kamerasystems und Genauigkeitsanalyse
  • Verarbeitung von Lichtfelddaten und Rendering neuer Ansichten für dynamische Szenen
  • Synthetische Blendeneffekte für statische und dynamische Szenen
  • Kompression von Lichtfelddaten für statische und dynamische Szenen
  • Rekonstruktion von Materialeigenschaften aus Lichtfelddaten


Voraussetzungen: Programmierkenntnisse in C/C++, Grundlagen der Bildverarbeitung, Computergrafik oder 3D-Szenenrekonstruktion, ggf. numerische Mathematik und Optimierung

bearbeitet von: n/a

betreut von: Tim Michels, Arne Petersen


Created by tos. Last Modification: Tuesday 10 of October, 2017 12:06:48 CEST by jbruenger.