Tim: Sarvan Nebojša E2 59/2017
Manojlović Nina E2 53/2017
Nikolić Milica E2 48/2017

Cilj projekta je ispisati reči pročitane sa usana. Za treniranje koristiće se skup video snimaka, bez zvuka. Trenutno, razmatramo skup MIRACL-VC1. Postoji više mogućih skupova video snimaka, ali zbog nedostajućih transkripata nismo sigurni da li će biti od koristi. Na mogućnost pristupa još jednom relevantnom skupu još uvek čekamo odgovor. Ukoliko se odlučimo za prepoznavanje reči na srpskom jeziku, dataset će se najverovatnije praviti ručno, s obzirom na to da nismo naišli na skup sa ovakvim podacima. Za detekciju lica sa video snimaka biće iskorišćen neki od postojećih softvera. Plan je da se iskoristi pretrenirana konvolutivna mreža u kombinaciji sa LSTM-om.

Ђорђе Марјановић R1 17/2017

Имплементирати модул за аутоматско управљање аутомобила у симулираном окружењу ( https://github.com/udacity/self-driving-car-sim или GTA 5 видео игрица). Користиће се конволутивна неуронска мрежа.

Подаци за обучавање биће прикупљани мануелно из симулације.

Tim

Tamara Katić E2 96/2017
Nemanja Milićević E2 121/2017
Predrag Njegovanović E2 94/2017
Novica Šarenac E2 88/2017

Tema

Sistem se sastoji iz 3 modula:

• speech-to-text
• text-to-text (chatbot)
• text-to-speech

Osnovna ideja je implementacija sistema sa kojim može da se komunicira govorom.

Speech-to-text

Modul koji prepoznaje govor, zasnovan na arhitekturi mreže predstavljene u ovom radu. Za obučavanje mreže koristimo Common Voice podatke.

Text-to-text (chatbot)

Modul koji odgovara na tekstualni izlaz iz prethodnog modula. Koristićemo LSTM, sa podacima iz Cornell Movie Dialogs Corpus dataset-a.

Text-to-speech

Modul koji generiše govor na osnovu teksta, odnosno izlaza iz prethodnog modula. Koristićemo pretreniran Google-ov WaveNet.

Članovi tima

• R1 6/2017   Bojan Blagojević
• R1 12/2017 Aleksandar Novaković

Tema

Implementacija autonomnog igrača(bot-a) za igru Flappy Bird. Rješenje će biti zasnovano na principima reinforcement learning-a. Koristiće se Deep Q-Network algoritam baziran na konvolutivnoj neuronskoj mreži.

Podaci

Podaci će biti generisani korištenjem nekog od pygames emulatora za Flappy Bird igru. Ulaz u pomenutu neuronsku mrežu će biti pikseli iz generisanih frejmova igrice.

Tema

Tema projekta je da se obuci neuronska mreža koja će moći:

• da iz crno-belog videa kreira obojen video.
• da iz oštećenog videa kreira ispravan video.

Opis projekta

Na ulaz se moze dovesti jedna od dve stvari:

1. Frejm provucen kroz filter rgb2gray;
2. Frejm na kom se nalaze šumovi;

Na izlaz će se dovesti nepromenjen frejm iz filma.

Koristiće se Generative adversarial network (GAN).

Dataset

Za dataset će se koristiti neki film koji ima veoma visok kvalitet.

Implementirati klasifikaciju polova nad IMDB skupom podataka, upotrebom MLP, VGG16 i CNN. Uporediti dobijene rezultate.

Realizacija projekta u programskom jeziku Python.

GitHub repozitorijum: https://github.com/NevenaSimic/GenderClassification

Samostalni projekat: Nevena Simić E2 94/2016

Tim

Milica Milutinovic E2 27-2017
Dejan Kuzmanovic E2 22-2017

Tema

Cilj nam je da predvidimo cenu 4 popularne kriptovalute (Bitcoin, Litecoin, Ethereum, Ripple). Kao ulazne podatke planiramo da koristimo informacije o samom trzistu koje su dostupne na internetu kao na primer:
oznaka_valute
cena_usd
24h_obim_prodaje_usd
24h_obim_prodaje_valute
trzisna_kapitulizacija
volatilnost_valute
Pored ovih podataka koristićemo i podatke o samom blockchainu (block size, cost per transaction, difficulty, hash rate, transactions per block, itd).
Takodje, radicemo analizu sentimenta Twitter statusa o ovim valutama, a ti podaci ce nam biti jedan od ulaza u nas model.

Za model ćemo koristiti LSTM mrežu sa sequence2sequence arhitekturom. Pored ovoga ćemo probati i klasičnu time-series forecast metodu i uporediti rezultate.

Ovo je osnovna ideja projekta, koja ce se mozda menjati prilikom izrade.
Projekat je zajednicki za ovaj predmet i SIAP.

Tema

Predvidjanje kretanja vrednosti odredjenih kriptovaluta za zadati vremenski interval koristeci konvolutivne neuronske mreze (CNN), i podatke dobijene povlacenjem cena kriptovaluta sa razlicitih sajtova i API-a.

Skup Podataka

Skup podataka ce se kontinualno preuzimati i siriti povlacenjem podataka sa:

• https://poloniex.com
• https://iqoption.com/traderoom
• https://coinmarketcap.com/

• Djurisic Milan E2 63/2017

Članovi tima

• R1 4/2017 Dragutin Marjanović
• R1 5/2017 Stefan Ristanović

Tema

Prepoznavanje pojmova sa crteža korisnika analizom velikog skupa crteža drugih objekata iz različitih kategorija. Osnovni cilj je rukom crtani objekat svrstati u neku od poznatih kategorija, upotrebom znanja stečenog klasifikacijom crteža korišćenjem veštačkih neuronskih mreža.

Skup podataka

U sklopu ovog projekta koristiće se skup podataka dostupan na osnovu Google-ovog Quick, Draw! projekta.

Tim

• Miloš Mladenović, E2 109/2017

Tema

Korišćenje generativne neuronske mreže za generisanje grba fudbalskog kluba na osnovu zadatog imena. Imena će biti zadavana na engleskom, a skup podataka za treniranje mreže će biti prikupljen ručno, skrejpovanjem svih naziva i slika grbova klubova svih dostupnih nivoa u svetu.

Repozitorijum

https://github.com/milosmladenovic5/football_logos_generator

Saša Lalić E2/102-2017

Određivanje emocija u glasu koristeći konvolucionu neuronsku mrežu.
Audio zapisi se konvertuju u spektrograme, koje onda konvoluciona mreza obradjuje kao slike.
Problem odredjenje velicine ulaza je resen razbijanjem audio zapise na odredjenje duzine, i padovanje nulama podataka koji su isuvise mali.

IEMOCAP kao dataset.

Tim

• Ivan Radosavljević R1-13/2017
• Aleksandra Mitrović R1-14/2017
• Mladen Vidović R1-15/2017

Tema

Prepoznavanje kućnih uređaja (klima uređaj, veš mašina...) na slici. Ovo se radi za prepoznavanje tehničke opremljenosti nekretnine na osnovu slike iz oglasa radi verifikacije podataka ostavljenih u oglasu (projekat uvezan sa SIAP projektom).

Podaci

Skup podataka čine slike iz otprilike 100 000 oglasa scrape-ovanih sa stranice nekretnine.rs.

Metodologija

Za prepoznavanje će biti upotrebljena pretrenirana konvolutivna neuronska mreža, obučena na COCO skupu podataka.

Tim

Saša Ferenc E2 99/2017

Tema

Osnovna ideja je implementacija sistema koji će generisati muzičke tekstove. Planirana je upotreba LSTM mreže.

Podaci

Skup podataka koji će se koristiti dostupan je na sajtu Kaggle. Sastoji se od 380,000 tekstova preuzetih sa sajta MetroLyrics. Pored ovog skupa podataka biće sakupljeni i neki tekstovi domaćih autora, kako bi se probalo generisanje muzičkih tekstova sa domaće scene.

Marko Žužić E2-86/2017

1. Definicija problema
Izrada sistema za dijalog između računara i čoveka (engl. chatbot). Chatbot će davati odgovor transformisan po jezičkom modelu fiktivnog karaktera Jode iz Star Wars serijala.

2. Skup podataka
U projektu će biti korišćen Cornell Movie Dialog Corpus dataset, koji sadrži kolekciju razgovora izvučenih iz filmova.
Odgovori u dijalogu će biti transformisani u željeni model govora upotrebom Stanford-ove CoreNLP biblioteke.

3. Metodologija
Neuronska mreža će biti obučena da generiše tekst po zadatom jezičkom modulu, upotrebom seq2seq modela.

Tim:

Zoran Luledžija E2 93/2016

Tema:

Detekcija vrste useva i bolesti (ukoliko je prisutna) upotrebom CNN.

Podaci:

PlantVillage skup podataka:

• 54306 slika
• 14 vrsta useva
• 26 labela (zdravih i obolelih biljaka)

Валидација људског потписа на основу слике коришћењем конволутивних неуронских мрежа. Сет података за обучавање је : ICDAR 2011 SigComp. Чланови тима: Петар Стошић E244/2016, Небојша Поповић E245/2016.