Hinweise
Informationen zum Vorbereiten, Durchführen und zum Ablauf von studentischen Arbeiten (BA, MA, Forschungspraktikum, etc.) finden Sie in diesem Opal-Kurs für studentische Arbeiten.
Wir bieten Themenstellungen im Bereich der Forschungsschwerpunkte der Juniorprofessur Media Computing an. Inhaltliche Themen umfassen unter anderem:
- Intelligente Analyse von großen multimedialen Datenbeständen (Big Data)
- Audioverarbeitung und Audiolokalisation
- Detektion und Klassifikation von bioakustischen Signalen
- Mehrkameraverarbeitung und Mehrkamera(daten)fusion
- Industrielle Bildarbeitung und Videoanalyse
- Hexagonale Bildverarbeitung
- Maschinelles Lernen
- Zeitreihenanalyse und -vorhersage
- Computerwissenschaftliche Methoden für Einzelmolekülspektroskopie und -mikroskopie
- GUI und Human-Computer-Interaction
Themen für Abschlussarbeiten und Praktika
Auf dieser Seite finden Sie verschiedene Themen für studentische Arbeiten. Sollten sie eigene Ideen und Vorschläge oder Nachfragen zu einer Aufgabenstellung haben, zögern Sie nicht, uns zu kontaktieren!
Darüber hinaus finden Sie hier einen Foliensatz mit einem Überblick über alle Themenfelder, die für studentische Arbeiten an der Juniorprofessur zur Auswahl stehen.
Beschreibung:
The task is to develop a deep learning model to classifiy 11 different eye diseases namely Pigmentverklumpung, Drusen, Ödem, RPE-Atrophie, Fibrose, Gliose, harte Exsudate, LaKo-Herde, ISNT-Regel, Parapapilläre-Atrophie, Pigmentverschiebung. The dataset comprises 2000 fundus images comprising of 3 filter channel (Red,Blue,Green) .
Ziel:
The goal the research work is 1. Analyse the filter channel combinations, how these filter channels can be fused as a 4D or 6D channel 2. Create a baseline model or study literature for other available promissing deep learning models and find a best model architecture to fuse the channel information in order to improve the performance of the classification.
Wissenschaftliches Arbeitsfeld:
Image processing, Artificial intelligence
Methoden:Deep learning, Computer vision, Tensorflow, Pytorch etc.
Geeignet für folgende Studiengänge:
Masters: (Applied) Computer Science, ASE, Biomedizinische Technik, Data Science
Geeignet für folgende Module:
Master thesis, research project
Programmierkenntnisse:
- Python
- Deep Learning Frameworks
Literatur:
-
Ghosh, R., K. Ghosh, und S. Maitra. „Automatic detection and classification of diabetic retinopathy stages using CNN“. In 2017 4th International Conference on Signal Processing and Integrated Networks (SPIN), 550–54, 2017. https://doi.org/10.1109/SPIN.2017.8050011.
-
Grinsven, M. J. J. P. van, B. van Ginneken, C. B. Hoyng, T. Theelen, und C. I. Sánchez. „Fast Convolutional Neural Network Training Using Selective Data Sampling: Application to Hemorrhage Detection in Color Fundus Images“. IEEE Transactions on Medical Imaging 35, Nr. 5 (Mai 2016): 1273–84. https://doi.org/10.1109/TMI.2016.2526689.
-
Korot, Edward, Zeyu Guan, Daniel Ferraz, Siegfried K. Wagner, Gongyu Zhang, Xiaoxuan Liu, Livia Faes, u. a. „Code-Free Deep Learning for Multi-Modality Medical Image Classification“. Nature Machine Intelligence 3, Nr. 4 (April 2021): 288–98. https://doi.org/10.1038/s42256-021-00305-2.
Kontakt:
Beschreibung:
The task is to develop a deep learning model to classifiy 10 different eye retinal layers namely
-
Retinal nerve fiber layer (RNFL)
-
Ganglion cell layer (GCL)
-
Inner plexiform layer (IPL)
-
Inner nuclear layer (INL)
-
Outer plexiform layer (OPL)
-
Outer nuclear layer (ONL)
-
Inner/outer photoreceptor segment (IS/OS)
-
Retinal pigment epithelium (RPE)
-
Choroid
-
Optic disc
The dataset comprises 244 OCT Bscans
Ziel:
The goal of the research work is to segment different retinal layers and detect biomarkers using those Segmented layers
Wissenschaftliches Arbeitsfeld:
Image processing, Artificial intelligence
Methoden:Deep learning, Computer vision, Tensorflow, Pytorch etc.
Geeignet für folgende Studiengänge:
Masters: (Applied) Computer Science, ASE, Biomedizinische Technik, Data Science
Geeignet für folgende Module:
Master thesis, research project
Programmierkenntnisse:
- Python
- Deep Learning Frameworks
Literatur:
-
Kafieh R, Rabbani H, Kermani S. A review of algorithms for segmentation of optical coherence tomography from retina. J Med Signals Sens. 2013 Jan;3(1):45-60. PMID: 24083137; PMCID: PMC3785070.
Kontakt:
Beschreibung:
Design and implementation of different deep learning based approaches to the generation of image encodings utilizing fractal image compression as based on the hexagonal lattice format. Please note: This topic is available in English and German.
Ziel:
The goal of the research project is to realize comparable approaches to fractal image compression within the context of conventional, square and hexagonal imagery as well as their evaluation in terms of the respective benefits such as storage and computation requirements.
Wissenschaftliches Arbeitsfeld:
Computer Science, Artificial Intelligence, Image Processing, Compression Techniques
Methoden:Deep Neural Networks, Partition Schemes, Search Strategies, Encoding and Decoding, etc.
Geeignet für folgende Studiengänge:
Master Computer Science / Master Applied Computer Science, Ph.D.
Geeignet für folgende Module:
Master Thesis / Doctoral Thesis
Programmierkenntnisse:
- Python or comparable, including libaries such as TensorFlow and Keras, NumPy, etc.
Literatur:
[1] Region-Based Fractal Image Compression Using Heuristic Search (https://ieeexplore.ieee.org/document/388086)
[2] A Review of the Fractal Image Coding Literature (https://ieeexplore.ieee.org/document/806618)
Kontakt:
Tobias Schlosser
E-Mail: tobias.schlosser@…
Tel: +49 371 531-30358
Raum: A12.339 (alt: 1/339) (Straße der Nationen 62, Böttcher-Bau)
Beschreibung:
Main objective: The data set was recorded after the dicing of a semiconductor wafer, the dicing is done by a powerfull laser that follows a scribed area separating the chips. The research subject is concerned with recognizing if the laser deviated from the scribed area by implementing a single shot multibox detector and training it on the various sub sets of a annotated wafer data Optional: Strategies with synthetic data can be evaluated too for their capability of enhancing the classification accuracy.
Ziel:
Comparing the results to other state of the art methods
Wissenschaftliches Arbeitsfeld:
Visual Inspection, Artificial Intelligence, Image Processing, Data Synthesis, Semiconductor Manufacturing
Methoden:Deep Neural Networks, Image Processing
Geeignet für folgende Studiengänge:
Angewandte Informatik, Informatik, Data Science
Geeignet für folgende Module:
Bachelor Thesis, Research Project
Programmierkenntnisse:
- Advanced Python skills
- Basic knowledge about deep learning frameworks such as Keras, Tensorflow
Literatur:
[1] Liu et al., Ssd: Single shot multibox detector, European conference on computer vision, 2016, https://arxiv.org/pdf/1512.02325.pdf
[2] Schlosser, Tobias, et al. "Improving automated visual fault inspection for semiconductor manufacturing using a hybrid multistage system of deep neural networks." Journal of Intelligent Manufacturing 33.4 (2022): 1099-1123.
Kontakt:
Jun.-Prof. Dr. Danny Kowerko
E-Mail: danny.kowerko@…
Tel: +49 371 531-35660
Raum: A10.274 (alt: 1/274) (Straße der Nationen 62, Böttcher-Bau)
Beschreibung:
CDS-Systeme sollen Ärzt:innen in ihrer Entscheidung über den weiteren Behandlungsverlauf der Patient:innen Unterstützung bieten. Mit Hilfe von medizinischen Leitlinien ist dies bereits möglich, jedoch sind diese nicht digitalisiert und bieten Interpretationsspielraum.
Ziel:
Ziel ist die Entwicklung eines CDS-Systems für ausgewählte Augenerkrankungen anhand bereits existierender medizinischer Leitlinien.
Wissenschaftliches Arbeitsfeld:
Medizininformatik, Entscheidungsunterstützungssysteme
Methoden:Regelbasierte Algorithmen
Geeignet für folgende Studiengänge:
Angewandte Informatik, Informatik, Data Science, Biomedizinische Technik, Informatik für Geistes- und Sozialwissenschaften
Geeignet für folgende Module:
Masterarbeit, Bachelorarbeit
Programmierkenntnisse:
- Fortgeschrittene Kenntnisse in Python von Vorteil
- Deutschsprachig
Literatur:
[1] Anani, N., Mazya, M.V., Chen, R. et al. Applying openEHR’s Guideline Definition Language to the SITS international stroke treatment registry: a European retrospective observational study. BMC Med Inform Decis Mak 17, 7 (2017). https://doi.org/10.1186/s12911-016-0401-5
Kontakt:
Beschreibung:
Lasers are used in industrial processes for welding, cutting and other tasks. The quality of the products depends on the laser and machine parameters. Surveillance of laser in situ is challenging but possible using (high speed) camera sensors or using optical microscopes and scanning techniques to document the product quality.
Ziel:
Video-, image and data processing methods are developed to monitor and characterize machine processes and the product. Products are e.g. semiconductor wafers which are cut into single chips using laser technology. Here, the aim is to automatically judge and classify the product quality, in terms of damage classes.
Wissenschaftliches Arbeitsfeld:
manufacturing, material inspection, lasers in production and engineering systems, semiconductor manufacturing, machine and comuter vision
Methoden:- Video and image processing
- Machine/deep learning, e.g. Artificial Neural Networks
- Image Synthesis
- time-series analysis
- regression
- Visualisation and GUI design
Geeignet für folgende Studiengänge:
(Applied) Computer Science, Data Science
Geeignet für folgende Module:
Master thesis, bachelor thesis, research internship, research seminar, advanced seminar, proseminar
Programmierkenntnisse:
- Python, Matlab
- computer vision and machine learning specific libraries and toolboxes, e.g. scikit-learn, Keras, Tensorflow
Literatur:
[1] https://link.springer.com/10.1007/s10845-021-01906-9
[2] https://ieeexplore.ieee.org/document/9517097/
Kontakt:
Jun.-Prof. Dr. Danny Kowerko
E-Mail: danny.kowerko@…
Tel: +49 371 531-35660
Raum: A10.274 (alt: 1/274) (Straße der Nationen 62, Böttcher-Bau)
Beschreibung:
Single (Bio-) Molecule microscopy and spectroscopy has become a powerful tool in physics, chemistry and life science [1]. Data analytics requires knowledge in image and video processing, and algorithmic realization of physical models [2]. Numerous tools and frameworks are developed and enrich the scientific community. Finding the most correct or fast solution from the large diversity of methods and implementations makes it cumbersome for applicant to make a choice.
Ziel:
Researchers aim for benchmarks and standardization in the field of microscopy and other life science related techniques [3] which are in many fields missing and need to be developed. Further user interface based programs require analysis in terms of ergonomy and learning rates in experiments with their target user group.
Wissenschaftliches Arbeitsfeld:
Computionational Biology, Biophotonics, Optical Microsopy and Spectroscopy,
Methoden:- image and video processing
- time series analysis
- regression and probabilistic models
Geeignet für folgende Studiengänge:
Master Computer Science / Master Applied Computer Science, Ph.D.
Geeignet für folgende Module:
Master thesis, bachelor thesis, research internship, team-oriented internship
Programmierkenntnisse:
- Python, Matlab
- Image Processing libraries
Literatur:
[1] https://www.nature.com/articles/s43586-021-00038-x
[2] http://linkinghub.elsevier.com/retrieve/pii/S0010854516300601
[3] https://www.nature.com/articles/s41467-022-33023-3
Kontakt:
Jun.-Prof. Dr. Danny Kowerko
E-Mail: danny.kowerko@…
Tel: +49 371 531-35660
Raum: A10.274 (alt: 1/274) (Straße der Nationen 62, Böttcher-Bau)
Beschreibung:
Die Professur Alternative Fahrzeugantriebe betreibt Forschung auf dem Gebiet der PEM-Brennstoffzellen. Neben F&E einzelner Komponenten steht auch der Herstellungsprozess im Fokus. Ziel der vorliegenden Arbeit ist daher die Anwendung von Machine Learning als Qualitätssicherung im Fertigungsprozess von Brennstoffzellen, d.h. Überwachung, Bewertung und Rückmeldung.
Als Anwendungsfall wurde hierbei die Auftragung der Dichtungskontur ausgewählt. Beim Zusammenbau von Brennstoffzellen müssen die einzelnen Bipolarplatten gegeneinander abgedichtet werden. Die Auftragung der Dichtung erfolgt automatisch mittels Dispenser, die Qualitätskontrolle (Fehlstellen, korrekter Dichtungsverlauf, Breite der Dichtung) allerdings manuell. Hierfür soll perspektivisch maschinelles Lernen zum Einsatz kommen.
Ziel:
Ziel der vorliegenden Arbeit ist es eine Qualitätskontrolle der Dichtungsauftragung mittels maschinellem Lernen umzusetzen. Dies beinhaltet insbesondere Fehlstellen, korrekter Dichtungsverlauf und Breite der Dichtung.
Wissenschaftliches Arbeitsfeld:
Informatik, Bildverarbeitung, maschinelles Lernen
Methoden:- Video- und Bildverarbeitung
- Maschinelles/tiefes Lernen, z. B. künstliche neuronale Netze
- Bildsynthese
- Zeitreihenanalyse
- Regression
- Visualisierung und GUI-Design
Geeignet für folgende Studiengänge:
Angewandte Informatik, Informatik, Data Science
Geeignet für folgende Module:
Projektarbeit
Programmierkenntnisse:
- Python
- Matlab
- spezielle Bibliotheken und Toolboxen für maschinelles Lernen, z. B. scikit-learn, Keras, Tensorflow
Literatur:
[1] http://dx.doi.org/10.1177/1687814018755519
[2] https://doi.org/10.1093/ce/zkac096
[3] https://nbn-resolving.org/urn:nbn:de:bsz:ch1-qucosa2-764496
Kontakt:
Dipl.-Ing. André Diers (andre.diers@mb.tu-chemnitz.de), 0371-531 36429
Betreuende:
Extern, Danny Kowerko
Jahr:
2024
Betreuer:
Danny Kowerko, Extern
Jahr:
2024
Betreuer:
Danny Kowerko, Arunodhayan Sampath-Kumar
Jahr:
2024
Betreuer:
Danny Kowerko, Extern
Jahr:
2024
Betreuende:
Danny Kowerko, Extern
Jahr:
2023
Betreuende:
Danny Kowerko, Tobias Schlosser
Jahr:
2023
Betreuende:
Danny Kowerko, Extern
Jahr:
2023
Betreuende:
Danny Kowerko, Trixy Meyer
Jahr:
2023
Betreuende:
Danny Kowerko, Extern
Jahr:
2023
Betreuende:
Danny Kowerko, Arunodhayan Sampath-Kumar
Jahr:
2023
Betreuende:
Andreas Müller, Danny Kowerko
Jahr:
2023
Betreuende:
Danny Kowerko, Extern
Jahr:
2023
Betreuende:
Danny Kowerko, Arunodhayan Sampath-Kumar, Extern
Jahr:
2023
Betreuende:
Martin Dix, Danny Kowerko
Jahr:
2023
Betreuende:
Tobias Schlosser, Danny Kowerko
Jahr:
2022
Betreuende:
Robert Manthey, Danny Kowerko
Jahr:
2022
Betreuende:
Robert Manthey, Danny Kowerko
Jahr:
2022
Betreuende:
Klaus Haag, Danny Kowerko
Jahr:
2022
Betreuende:
Trixy Meyer, Danny Kowerko
Jahr:
2022
Betreuende:
Danny Kowerko
Jahr:
2022
Betreuende:
Danny Kowerko
Jahr:
2021
Betreuende:
Tobias Schlosser, Danny Kowerko
Jahr:
2021
Betreuende:
Danny Kowerko
Jahr:
2021
Betreuende:
Stefan Kahl, Danny Kowerko
Jahr:
2021
Betreuende:
Danny Kowerko
Jahr:
2021
Betreuende:
Tobias Schlosser, Danny Kowerko
Jahr:
2021
Betreuende:
Thomas Wilhelm-Stein, Danny Kowerko
Jahr:
2021
Betreuende:
René Erler, Danny Kowerko
Jahr:
2021
Betreuende:
Danny Kowerko
Jahr:
2021
Betreuende:
Danny Kowerko, Frederik Beuth
Jahr:
2020
Betreuende:
Danny Kowerko
Jahr:
2020
Betreuende:
Danny Kowerko, Tobias Schlosser
Jahr:
2020
Betreuende:
Danny Kowerko, Tobias Schlosser
Jahr:
2020
Betreuende:
Danny Kowerko, Thomas Wilhelm-Stein
Jahr:
2020
Betreuende:
Danny Kowerko, Tobias Schlosser
Jahr:
2020
Betreuende:
Danny Kowerko, Frederik Beuth, Tobias Schlosser
Jahr:
2020
Betreuende:
Danny Kowerko, Frederik Beuth
Jahr:
2020
Betreuende:
Danny Kowerko, Robert Manthey
Jahr:
2020
Betreuende:
Danny Kowerko
Jahr:
2019
Betreuende:
Danny Kowerko, Robert Manthey
Jahr:
2019
Betreuende:
Danny Kowerko
Jahr:
2019
Betreuende:
Danny Kowerko, Tom Kretzschmar
Jahr:
2019
Betreuende:
Danny Kowerko, Tobias Schlosser, Tom Kretzschmar
Jahr:
2019
Betreuende:
Danny Kowerko, René Erler
Jahr:
2019
Betreuende:
Danny Kowerko, Tobias Schlosser
Jahr:
2019
Betreuende:
Danny Kowerko
Jahr:
2019
Betreuende:
Danny Kowerko, Falk Schmidsberger
Jahr:
2019
Betreuende:
Danny Kowerko, Robert Manthey
Jahr:
2019
Betreuende:
Danny Kowerko
Jahr:
2019
Betreuende:
Danny Kowerko, Robert Manthey
Jahr:
2019
Betreuende:
Danny Kowerko, Tom Kretzschmar
Jahr:
2019
Betreuende:
Danny Kowerko, René Erler
Jahr:
2019
Betreuende:
Danny Kowerko, Tobias Schlosser
Jahr:
2019
Betreuende:
Danny Kowerko, Robert Manthey
Jahr:
2018
Betreuende:
Danny Kowerko
Jahr:
2018
Betreuende:
Danny Kowerko, Robert Manthey
Jahr:
2018
Betreuende:
Danny Kowerko
Jahr:
2018
Betreuende:
Danny Kowerko, Stefan Kahl
Jahr:
2018
Betreuende:
Danny Kowerko
Jahr:
2018
Betreuende:
Danny Kowerko
Jahr:
2018
Betreuende:
Danny Kowerko, Robert Manthey
Jahr:
2018
Betreuende:
Danny Kowerko
Jahr:
2018
Betreuende:
Danny Kowerko, Robert Manthey, Tom Kretzschmar
Jahr:
2018
Betreuende:
Danny Kowerko
Jahr:
2017
Betreuende:
Danny Kowerko, Robert Manthey
Jahr:
2017
Betreuende:
Danny Kowerko, Hussein Hussein
Jahr:
2017
Betreuende:
Danny Kowerko, Robert Manthey
Jahr:
2017
Betreuende:
Danny Kowerko
Jahr:
2017
