ori-2023-ra's People
ori-2023-ra's Issues
Instance segmentation
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).
Emotion detection from facial expressions
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
Klasifikacija pola osobe
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
Tetris AI
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.
Tower climber
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.
Prepoznavanje tipova vozila u saobraćaju
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:
- Detekcija vozila pomoću YOLO algoritma
- 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
Robot u skladištu
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.
Text Classification for Serbian Science Journals
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
Emotion Detection in Written Sentences
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:
- Exploratory Data Analysis (EDA) - analiziranje podataka i sređivanje dataseta ako bude potrebno
- Pretprocesiranje i izdvajanje karakteristika - uklanjanje stop reči, lematizacija, primena TF-IDF itd.
- Obučavanje modela
- Naive Bayes
- Random Forest
- 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
Klasifikacija rasa pasa pomocu CNN-a
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.
Learning Parity with Noise
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
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
Parkiranje automobila u 2D prostoru
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.
Prepoznavanje cifre sa slike
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
Recommend Projects
-
React
A declarative, efficient, and flexible JavaScript library for building user interfaces.
-
Vue.js
🖖 Vue.js is a progressive, incrementally-adoptable JavaScript framework for building UI on the web.
-
Typescript
TypeScript is a superset of JavaScript that compiles to clean JavaScript output.
-
TensorFlow
An Open Source Machine Learning Framework for Everyone
-
Django
The Web framework for perfectionists with deadlines.
-
Laravel
A PHP framework for web artisans
-
D3
Bring data to life with SVG, Canvas and HTML. 📊📈🎉
-
Recommend Topics
-
javascript
JavaScript (JS) is a lightweight interpreted programming language with first-class functions.
-
web
Some thing interesting about web. New door for the world.
-
server
A server is a program made to process requests and deliver data to clients.
-
Machine learning
Machine learning is a way of modeling and interpreting data that allows a piece of software to respond intelligently.
-
Visualization
Some thing interesting about visualization, use data art
-
Game
Some thing interesting about game, make everyone happy.
Recommend Org
-
Facebook
We are working to build community through open source technology. NB: members must have two-factor auth.
-
Microsoft
Open source projects and samples from Microsoft.
-
Google
Google ❤️ Open Source for everyone.
-
Alibaba
Alibaba Open Source for everyone
-
D3
Data-Driven Documents codes.
-
Tencent
China tencent open source team.