Temat pracy dyplomowej magisterskiej
Temat pracy dyplomowej magisterskiej
Temat pracy dyplomowej magisterskiej
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Katedra Inżynierii Wiedzy 2009<br />
<strong>Temat</strong> <strong>pracy</strong> <strong>dyplomowej</strong> Detekcja obiektów w plikach graficznych zamieszczonych na<br />
<strong>magisterskiej</strong><br />
stronach www wraz z klasyfikacją stron<br />
Tytuł w j. angielskim Object detection in graphical files from www pages with page<br />
classification<br />
Opiekun <strong>pracy</strong> dr inż. Maciej Smiatacz<br />
Konsultant <strong>pracy</strong> mgr inż. Jerzy Dembski, dr inż. Jacek Lebiedź<br />
Cel <strong>pracy</strong> Celem <strong>pracy</strong> jest zbadanie możliwości wykrywania określonych<br />
obiektów np. samochodów w plikach graficznych (zdjęcia lub<br />
rysunki) na stronach www wraz z klasyfikacją stron na podstawie<br />
znalezionych na nich treści, a także samych plików graficznych.<br />
Dzięki podziałowi na kategorie (klasy) możliwe stałoby się<br />
wyszukiwanie stron konkretnej klasy, np. samochodów zabytkowych,<br />
samochodów na sprzedaż, symboli, itd. Klasyfikacja powinna się<br />
opierać na wynikach analizy obrazów graficznych, jak również na<br />
wynikach analizy tekstu, dzięki czemu błąd klasyfikacji powinien być<br />
mniejszy, niż w przypadku wykorzystania tylko jednej opcji. Celem<br />
dodatkowym jest zbadanie możliwości uczenia systemu z<br />
uwzględnieniem specyfiki obiektów konkretnego typu (np.<br />
samochodów) przy wykorzystaniu znanych algorytmów detekcji np.<br />
w problemie detekcji twarzy.<br />
Zadania do wykonania 1. Zapoznanie się z literaturą dotyczącą detekcji obiektów, analizy<br />
tekstów, a także systemów uczących się, wykorzystanych w<br />
problemie uczenia klasyfikatora.<br />
2. Opracowanie efektywnych algorytmów detekcji w oparciu o<br />
istniejące rozwiązania (algorytmy oparte na boostingu wraz z<br />
transformacją falkową lub algorytmy aktywnego kształtu) z<br />
wykorzystaniem metod maszynowego uczenia się.<br />
3. Analiza możliwości łączenia informacji różnego typu (obraz+tekst)<br />
w systemach klasyfikacji<br />
4. Implementacja wybranych metod, wykonanie eksperymentów oraz<br />
podsumowanie otrzymanych rezultatów.<br />
Literatura 1. Arabas J.: Wykłady z algorytmów ewolucyjnych, WNT, Warszawa<br />
2001.<br />
2. Bishop C.M.: Neural Networks for Pattern Recognition, Clarendon<br />
Press, Oxford, 1995.<br />
3. Cichosz P.: Systemy uczące się, WNT, Warszawa 2000.<br />
4. Goldberg D.E.: Genetic Algorithms in Search, Optimization and<br />
Machine Learning, Addison-Wesley Inc., 1989.<br />
5. Mitchell T. M.: Machine Learning, McGraw-Hill, 1997.<br />
6. Schalkof R.J.: Pattern Recognition: statistical, structural and<br />
neural approaches, R.R. Donnelley & Sons, 1992.<br />
7. Viola P., Jones M.: Robust Real-Time Face Detection,<br />
International Journal of Computer Vision 57(2), pp. 137-154,<br />
2004.<br />
Uwagi<br />
Dyplomant<br />
- 8 -