ftn-ai-lab / ori-2023-ra Goto Github PK

Student

• Ivan Mikić RA44/2020

Asistent

• Branislav Anđelić

Problem koji se rešava

• Detekcija i segmentacija viljuške (ili sličan objekat) na slikama.
• Po mogućnosti ću koristiti neki dataset kao COCO koji ima već spremne labele.

Algoritmi

• Mask-RCNN

Metrika za merenje performansi i validacija rešenja

• Dataset će biti podeljen u podskupove 70% trening, 15% validacija, 15% testiranje.

• Potrudiću se da bude što bolja stratifikacija u mom datasetu i da imam što veći dataset, a pritom da moj računar može za razumno vreme da obavi proces učenja.

• Performanse će se meriti sa nekoliko evaluacija gde ću ih onda uporediti i objasniti (Average Precision, Intersection over Union, F1-score).

Ovako treba da izgleda izlaz iz modela:

Student

Anastasija Marsenić RA 55/2020, grupa 2

Asistent

Branislav Anđelić

Problem koji se rešava

Svako lice se, na osnovu emocija prikazanih u izrazu, kategorizuje u jednu od narednih sedam kategorija: bes, strah, gađenje, sreća, iznenađenje, tuga, neutralno.

Algoritmi

Convolutional Neural Networks (CNN).

Podaci koji se koriste

Koristiće se dataset: https://www.kaggle.com/datasets/jonathanoheix/face-expression-recognition-dataset

Metrika za merenje performansi

Accuracy: Meri proporciju tačno predviđenih instanci od ukupnog broja instanci u skupu podataka.

Validacija rešenja

80% trening, 10% validacija, 10% test

Članovi tima:
Nikola Šehovac RA 115/2020, grupa 3

Asistent:
Vujinović Aleksandar

Problem koji se rešava:
Cilj projekta je razviti sistem za klasifikaciju pola osobe sa slike. Uzimajući u obzir sliku osobe kao ulaz, želim da algoritam automatski odredi da li je osoba muškog ili ženskog pola.

Algoritam/algoritmi:
Za rešavanje problema koristiće se konvolucione neuronske mreže (CNN) za klasifikaciju pola osobe sa slike

Podaci koji se koriste:
Koristiće se dataset dostupan na Kaggle platformi na sledećem linku: https://www.kaggle.com/datasets/cashutosh/gender-classification-dataset . Dataset sadrži slike muškaraca i žena, a svaka slika je označena sa odgovarajućim polom.

Metrika za merenje performansi:
Kao metriku za merenje performansi algoritma, koristiće se procenat tačno klasifikovanih slika.

Validacija rešenja:
Dataset ce biti podeljen: 70% za obucavanje, 20% za validaciju i 10% za test

Student:

• Mili Bovan RA41/2020

Asistent:

• Branislav Anđelić

Problem koji se rješava:

• Agent mora da ostane u igri što duže, odnosno mora što više redova da riješi.
• Akcije na raspolaganju su: pomjeri lijevo, pomjeri desno, rotiraj Tetramino. Okruženje ću Implementirati ili pomoću postojećeg API ili rješenja sa Githaba.

Algoritmi:

• Algoritam baziran na minimaxu.

Metrika za mjerenje performansi:

• Agent koji riješi više redova prije kraja igre akumuliraće veću nagradu.

Članovi tima

Uroš Nikolovski RA110/2020

Asistent

Filip Volarić

Problem koji se rešava

Agent mora da se u okruženju popne što više moguće, za što kraće vreme, skakajući po platformama.
Orkuženje će biti slično igrici Icy tower (Slika ispod)

Agent imata na raspolaganju 3 akcije koje može da uradi: skok, kao i pomeranje levo i desno.
Orkuženje ću implementirati pomoću pygame biblioteke.

Algoritmi

PPO (Proximal Policy Optimization) ili neki drugi deep reinforcement learning algoritam

Metrika za merenje performansi

Svaki agent koji se popne više od ostalih će se smatrati boljim i akumuliraće veću nagradu što se više popeo, za što kraće vreme

Validacija rešenja

Moguće je napraviti krajnji cilj koji kad agent dotakne igra se završava, pa se meri najmanje vreme za koje je agent uspeo da završi igru.
Alternativa je da se da odredjeno vreme i agenti koji su se najvise popeli su pobednici.

Student:
Antonije Erdeljan RA 223/2020

Asistent:
Aleksandar Vujinović

Problem koji se rešava:
Cilj projekta je detekcija i klasifikacija tipova vozila na slikama saobraćaja. Ovo rešenje bi moglo da se koristi u različitim primenama, kao što su analiza saobraćaja, pametni transportni sistemi ili bezbednosne analize na putevima.

Algoritmi:

1. Detekcija vozila pomoću YOLO algoritma
2. Klasifikacija tipova vozila (automobili, kamioni, motocikli, bicikli, autobusi itd.) pomoću konvolucionih neuronskih mreža (CNN)

Podaci koji se koriste:

Podaci će se prikupljati iz različitih izvora, kao što su javno dostupni datasetovi za detekciju i klasifikaciju vozila ili slike saobraćaja prikupljene na internetu. Skup podataka će se proširivati tokom razvoja projekta kako bi se poboljšala tačnost algoritma.

Validacija rešenja:

Skup podataka će se podeliti na deo za treniranje, validaciju i testiranje u odnosu 70% 20% 10%. Nakon treniranja modela na trening podacima, validacija će se vršiti na validacionom skupu kako bi se procenila tačnost algoritma. Konačna evaluacija rešenja biće izvršena na test skupu podataka kako bi se procenila tačnost i performanse modela u stvarnim uslovima

NAPOMENA:

Molim Vas da mi omogućite odbranu projekta u nedelji 22.5-26.5

Ivan Partalo, RA 126/2020, 5. grupa

Asistent: Filip Volarić

Problem koji se rešava:
Simulacija robota u skladištu koji treba da prenese (guranjem) odgovarajuće pakete sa mape
do lokacije označene na mapi. Prostor stanja je kontinualan, a robot može
da se kreće gore, dole, levo, desno. Na mapi se mogu nalaziti i druge stvari koje robot
treba da preskoči, to jest da ne prenese do ciljne lokacije.

Algoritam: deep q network (DQN), ili neki drugi reinforcement learning algoritam.

Metrika za merenje performansi:
Srednja kvadratna greška izmađu novih q vrednosti i predviđenih q vrednosti.

Validacija rešenja: Ako robot na smislen način posle kraćeg vremena prebaci
pakete (samo one koje treba) na željenu lokaciju onda je rešenje validno.

Student

• Miloš Đurić RA217/2020

Asistent

• Aleksandar Vujinović

Problem koji se rešava

• Cilj projekta je korišćenje algoritama za klasifikaciju delova teksta iz srpskih naučnih časopisa po različitim kategorijama
• Kategorije mogu biti sledeće:
    - Arhitektura i građevinarstvo
    - Biologija
    - Ekonomija
    - Geonauka
    - Hemija
    - Informatika i elektrotehnika
    - Matematika
    - Medicina
    - Poljoprivreda

Algoritmi

• Multinomial Naive Bayes, SVM, KNN

Podaci koji se koriste

• Koriste se podaci sa sajta: https://scindeks.ceon.rs/

Metrika za merenje performansi

• Performanse će se meriti sa accuracy i macro average metrikama

Validacija rešenja

• Dataset će biti raspodeljen 70% na training set, 15% na validation set i 15% na test set

Student

• Nina Bu RA60/2020, Grupa 2

Asistent

• Branislav Anđelić

Problem koji se rešava

• Cilj ovog projekta je prepoznavanje emocije u rečenici, odnosno klasifikacija rečenica na osnovu emocija koje iskazuju.
• Za potrebe projekta, svakoj rečenici odgovara tačno jedna od šest navedenih emocija na osnovu kojih će se vršiti klasifikacija: sadness, anger, love, surprise, fear, joy

Algoritmi

• Rešenje problema je podeljeno u nekoliko koraka:

1. Exploratory Data Analysis (EDA) - analiziranje podataka i sređivanje dataseta ako bude potrebno
2. Pretprocesiranje i izdvajanje karakteristika - uklanjanje stop reči, lematizacija, primena TF-IDF itd.
3. Obučavanje modela
   1. Naive Bayes
   2. Random Forest
   3. RNN (LSTM)

Podaci koji se koriste

• Koristiće se dataset: https://www.kaggle.com/datasets/praveengovi/emotions-dataset-for-nlp

Metrika za merenje performasni

• Performanse modela će se meriti korišćenjem accuracy metrike, tj. procentom ispravno klasifikovanih rečenica.

Validacija rešenja

• Dataset će biti podeljen na tri skupa: trening, validacioni i test skup u odnosu 70/20/10

Članovi tima:
Veljko Vukotic, RA70 2020 (Grupa 3)
Asistent:
Vujinovic Aleksandar
Problem koji se rešava:
Klasifikacija pasa prema rasama na osnovu slika.
Algoritam/algoritmi:
Konvolucione neuronske mreze(CNN).
Podaci koji se koriste:
Dataset:https://www.kaggle.com/datasets/jessicali9530/stanford-dogs-dataset?resource=download
Metrika za merenje performansi:
Tačnost za problem klasifikacije
Validacija rešenja:
Za validaciju resenja bice korisceno 3/10 ulaznog skupa podataka.

Članovi tima:
Strahinja Praška RA 245/2021 5. grupa
Asistent:
Filip Volarić
Problem koji se rešava:
"Rešavanje" Learning Parity with Noise problema, ovaj problem se javlja kod razbijanja HB protokola gde imamo komunikaciju izmedju R(eader) i T(ag), gde R postavlja testove T da vidi da li ima odgovarajući tajni ključ. Ti testovi su skalarni proizvod vektora $\langle a,s \rangle$ (računamo u polju $GF(2)$ ) gde je $s$ tajni ključ, a $a$ je random vektor koji je R poslao T i očekuje odgovor. Kada bi ovako uradili A(dversary) koji osluškuje bi mogao da pronadje tajni ključ $s$ Gausovom eliminacijom, zato T dodaje Bernulijev šum u odgovor,tj. $\langle a, s \rangle + e$ gde je $e = 1$ sa verovatnoćom $p$. Sada A rešava sistema jednačina $As\approx b$(svaka jednačina sistema je tačna sa verovatnoćom $p-1$). Naravno ovo je manja instanca problema, jer za dovoljno dugačak ključ problem je nerešiv.
Algoritmi/tehnike:
Bernoulli Naive Bayes, Random Forest(Decision Tree), Logistička regresija, ANN
Podaci koji se koriste:
Uzorci dobijeni iz LPNOracle-a
Metrika za merenje performansi/Validacija rešenja:
Hamming weight, ukoliko je visok znači da nam je kandidat za tajni ključ loš, ako je kandidat baš taj ključ $HW = broj\ uzoraka*p$

Student

• Nikola Simić RA 32/2020

Asistent

• Filip Volarić

Problem koji se rešava

• Cilj agenta je da se pozicionira na parking mesto za najkraći vremenski period. Na putu do parking mesta mogu da se nalaze prepreke koje agent mora da izbegne.
• Akcije agenta su: ubrzaj, uspori, skreci_levo, skreci_desno
• Agentu je poznat položaj u okruženju, njegova brzina, udaljenost do parking mesta i udaljenost od prepreka. Udaljenost od parking mesta će agentu biti poznata iz okruženja, a udaljenost od mogućih prepreki će biti poznata na osnovu "senzora".

Algoritmi

• Deep Deterministic Policy Gradient (DDPG)
• Proximal Policy Optimization (PPO)

Metrika za merenje performansi

• Funkcija koja vraća nagradu na osnovu udaljenosti agenta od cilja, vremena koje je prošlo od početka simulacije i eventualnih neželjenih kolizija sa preprekama.

Validacija rešenja

• Agent se pozicionira na parking mesto bez kolizije sa preprekama za najkraće moguće vreme.

Članovi tima:
Aleksa Zubić, RA 96/2020 grupa 3

Asistent:
Vujinović Aleksandar

Problem koji se rešava:
Prepoznavanje cifre (0-9) na osnovu slike.

Algoritam/algoritmi:
U projektu ce biti korišćenje konvolutivne neuronske mreze(CNN)

Podaci koji se koriste:
Dataset koji se koristi: https://www.kaggle.com/datasets/olafkrastovski/handwritten-digits-0-9
Slike ručno napisanih cifara (0-9).

Metrika za merenje performansi:
Procenat tačno klasifikovanih slika.

Validacija rešenja:
Koristiće se 80% za obučavanje, ostatak za validaciju i testiranje.
Git repozitorijum: https://github.com/Zuba13/ori-projekat