פרויקטי גמר - הנדסת מחשבים - המעבדה לעיבוד וניתוח נתונים תשפ"א

801 A system for Syllabi unification and comparison

מערכת היתוך מידע והשוואת איכות קורסים אקדמיים

שם המנחה: דר' רן גלס / פרופ׳ צביקה לוטקר
אחראי/ת אקדמי/ת: דר' רן גלס

הרקע לפרויקט:

במוסדות רבים בעולם נלמדים תארים דומים אך שונים – ״מהנדס חשמל״ באוניברסיטת MIT דומה אך שונה לתואר ״מהנדס אלקטרוניקה״ באוניברסיטת Boston university שמעבר לנהר. הכלי שמגדיר מהו קורס הוא הסילבוס, שמפרט את הקורס ותכניו. מכיוון שקיימות אוניברסיטאות רבות ושונות במדינות רבות ושונות, קשה מאד להשוות בין קורסים ״דומים״ שניתנים בארצות שונות. יותר מכך, קשה מאד להשוות בין סילבוס של קורס נתון (ב-MIT, למשל), לסילבוס (באיטלקית) של הקורס המקביל באוניברסיטת ונציה – הן עקב פערי השפה, והן עקב פערים בין עומק הנושאים השונים ורמת ההרחבה.

מטרת הפרויקט:

בפרויקט זה נבנה מערכת אחודה לאיסוף והשוואת סילבוסים. המערכת תצטרך לאסוף (scrape/collect) סילבוסים של אוניברסיטאות בעולם ולבצע ניתוח (data mining) ואיחוד (unification) של המידע. המטרה היא להיות מסוגלים לקחת, למשל, סילבוס באיטלקית, ולקבל ״תרגום״ שלו לעברית והשוואה מול סילבוסים של קורסים דומים.
לדוגמא: נרצה להזין סילבוס של קורס של ״מערכות לינאריות״ של אוניברסיטה בהודו, לקבל ״תרגום״ לאנגלית/עברית, והשוואה כגון ״הקורס זהה ב-85% אל הקורס הנלמד בבר-אילן; דמיון של 95% לקורס הנלמד ב-MIT״, וכיו״ב.

תכולת הפרויקט:

שלבי הפרויקט יכילו פיתוח מערכת תוכנה (בשפת Pythonאו דומה) לניהול סילבוסים:

1. (איסוף אוטומטי של סילבוסים ע״י זחילה באינטרנט
2. ניתוח כל סילבוס ל״גורמים ראשוניים״ וביצוע יוניפיקציה.
3. בניית ממשק WEB המאפשר השוואת סילבוסים אל מול מאגר המידע שנאסף על ידי המערכת בשלב
4. ובניית אומדן מספרי של ״איכות״ סילבוס נתון לעומת סילבוסים אחרים קיימים.

קורסי קדם:

• מבני נתונים ואלגוריתמים
• הסתברות
• הנדסת תוכנה

דרישות נוספות:

• למידת מכונה (מומלץ, לא חובה)
• כריית מידע (מומלץ, לא חובה)

מקורות:

1. https://opensyllabus.org/
2. https://galaxy.opensyllabus.org
3. Hands-On Web Scraping with Python. Anish Chapagain. Packt Publishing, 2019. ISBN 978-1-78953-339-2
4. Digital Social Research. Giuseppe A. Veltri. Polity; 1 edition, 2019. ISBN 978-1509529308

802 Process mining

כריית תהליכים

שם המנחה: ד"ר איציק כהן
אחראי/ת אקדמי/ת: ד"ר איציק כהן

הרקע לפרויקט:

כריית תהליכים היא גישה חדשה מבטיחה ומתפתחת המחברת בין עולם מידול התהליכים לבין עולם למידת המכונה. אנו חיים בעולם מרובה תהליכים: תהליך יכול להיות התפתחות של מגיפה כולל תהליכי הדבקה ואינטראקציות בין נשאים לאנשים בריאים, או לחילופין תהליך עסקי בארגון או תהליך פיתוח של מוצר חדש. בפרויקט זה ייבחר תהליך ותבוצע עליו כריית תהליכים לגילוי התהליך וביצוע חיזוי.

מטרת הפרויקט:

גילוי וחיזוי של תהליך תוך שימוש בכלי כריית תהליכים ולמידת מכונה.

תכולת הפרויקט:

בחירת תהליך, סקר ספרות, ניתוח נתונים, שימוש בכלי כריית תהליכים לגילוי וזיהוי התהליך.

קורסי קדם:

רצוי קורס מבוא במבוא ללמידת מכונה או שלחילופין בלימוד עצמי

מקורות:

קורס לדוגמה בנושא process mining: data science in action -mining

803 Differentially Private Statistical Hypothesis-Testing

מבחנים סטטיסטיים המשמרים פרטיות

שם המנחה: אור שפט
אחראי/ת אקדמי/ת: דר' אור שפט

הרקע לפרויקט:

שיטות לניתוחי דאטה המשמרות פרטיות באות במגוון דרכים ואלגוריתמים, ולכל אחת מהן יש טרייד-אוף משלה בין יעילות הניתוח לבין כמות "הפסד הפרטיות".

בפרויקט זה יתנסו הסטודנטים במימוש, בניתוח ובהשואה בין השיטות השונות.

מטרת הפרויקט:

מבחנים סטטיסטיים הוא תחום רחב של ניתוח דאטה באמצעותו סטטיסטיקאים משיגים תובנות עומק על דאטה. ישנן מטרות רבות אותן מבקש הסטטיסטיקאי לנתח (זהות, אי-תלות, רגרסיה וכו') ולכל אחת מגוון מבחנים שונים (פירסון, Z-test, הילברט-שמידט) שמתאימים כל אחד למצב מעט שונה.

בפרויקט זה יתרכזו הסטונדטים בביצוע מבחנים סטטיטיים ע"י אלגוריתמים משמרי פרטיות. בפרט, הפרויקט יתמקד בשיטות בפרטיות דיפרנציאלית -- שפועלות על ידי הרעשה רנדומית של המבחן הסטטיסטי. ומאחר שמבחנים סטטיסטיים הוא תחום רחב - הרי שפרויקט זה הוא למעשה אוסף פרויקטים דומים-אך-שונים, כשכל פרויקט מתמקד בשיטת מבחן אחרת.

חלק לא מבוטל בפרויקט הוא הכרת התחום של פרטיות דפרנציאלית, קריאת מאמרים והבנת השיטות השונות. משהסטודנטים ירכשו את הידע המוקדם, עיקר הפרויקט יתמקד בתכנון אלגוריתמי של ניתוחים סטטיסטיים שונים, במימוש שיטות, ובהשואת האלגורתימים על גבי מגוון דאטה-סטים שונים.

תכולת הפרויקט:

1. קריאה של מאמרי רקע
2. בחירת ה setting בו יתמקד הפרויקט
3. מימוש אלג' למידה פרטית
4. השואה של האלגוריתמים השונים על גבי דאטה-סטים שונים
5. ניתוח תאורטי של האלג'

קורסי קדם:

1. הסתברות וסטטיסטיקה
2. למידה ממוחשבת
3. אלג' 2 (ניתוח אלג' רנדומיים)

מקורות:

https://www.cis.upenn.edu/~aaroth/Papers/privacybook.pdf

804 A Comparison of Differentially Private Techniques for Clustering

השוואה בין שיטות קאלסטרינג משמרות פרטיות

שם המנחה: אור שפט
אחראי/ת אקדמי/ת: דר' אור שפט

הרקע לפרויקט:

שיטות לניתוחי דאטה המשמרות פרטיות באות במגוון דרכים ואלגוריתמים, ולכל אחת מהן יש טרייד-אוף משלה בין יעילות הניתוח לבין כמות "הפסד הפרטיות". בפרויקט זה יתנסו הסטודנטים במימוש, בניתוח ובהשואה בין השיטות השונות.

מטרת הפרויקט:

חלוקת דאטה-סט ל k קלאסטרים היא אחת מהמשימות הנפוצות ביותר בלמידה ממוחשבת, וישנן שיטות רבות לביצועה, ואמדנים רבים ליעילות החלוקה. הפרויקט הזה יתמקד בשיטות קלאסטרינג שמשמרות פרטיות -- שיטות בפרטיות דיפרנציאלית -- שפועלות על ידי הרעשה רנדומית של שיטת הקלאסטרינג. ומאחר שקלאסטרינג הוא תחום רחב - הרי שפרויקט זה הוא למעשה אוסף פרויקטים דומים-אך-שונים, כשכל פרויקט מתמקד במטרת קלאסטרינג אחרת.

חלק לא מבוטל בפרויקט הוא הכרת התחום של פרטיות דפרנציאלית, קריאת מאמרים והבנת השיטות השונות. משהסטודנטים ירכשו את הידע המוקדם, עיקר הפרויקט יתמקד בתכנון אלגוריתמי קלאסטרינג במצבים שונים ובמימוש שיטות ובהשואת האלגורתימים על גבי מגוון דאטה-סטים שונים.

תכולת הפרויקט:

1. קריאה של מאמרי רקע
2. בחירת ה setting בו יתמקד הפרויקט
3. מימוש אלג' למידה פרטית
4. השואה של האלגוריתמים השונים על גבי דאטה-סטים שונים
5. ניתוח תאורטי של האלג'

קורסי קדם:

1. הסתברות
2. למידה ממוחשבת
3. אלג' 2 (ניתוח אלג' רנדומיים)

מקורות:

https://www.cis.upenn.edu/~aaroth/Papers/privacybook.pdf

805 Parallel Computation of Distance Maps

חישוב מקבילי של מפות מרחקים

שם המנחה: פרופ' אופיר וובר
אחראי/ת אקדמי/ת: פרופ' אופיר וובר

הרקע לפרויקט:

הפרויקט יעסוק במימוש אלגוריתם מקבילי לחישוב מפות מרחקים על מודלים תלת ממדיים. בניגוד לחישוב פשוט של מרחקים בין נקודות במרחב אוקלידי, חישוב מפות מרחקים על גבי צורות גאומטריות לא שטוחות הינו מאתגר ודורש שיטות חישוביות נומריות. למפות המרחקים שימושים רבים בתחום של גרפיקה ממוחשבת, רובוטיקה, ואינטיליגנציה מלאכותית.

בעזרת המפות הללו אפשר למשל למצוא את המסלול הקצר ביותר בין שתי נקודות בתוך מסלול מכשולים מפותל עבור רכב אוטונומי או עבור סוכנים במשחק מחשב הרודפים אחרי השחקן. דוגמא נוספת היא מדידת מרחקים בין נקודות בעלות עניין בסריקה תלת ממדית של פנים ומשמשות כחתימה ביומטרית ייחודית.

האלגוריתם ימומש על חומרה גרפית של NVIDIA בעלת אלפי ליבות העובדות במקביל. בשלב הראשון נחשב מיפוי מיוחד מהמשטח התלת ממדי לתחום שהינו שטוח בכל מקום פרט למספר נקודות סינגולריות. בשלב השני נדגום את התחום "השטוח" וניצור "תמונה גאומטרית" ולבסוף נבצע חישוב מקבילי על התמונה הגאומטרית המתקבלת של מפת המרחקים.

מטרת הפרויקט:

הפרויקט יעסוק במימוש אלגוריתם מקבילי לחישוב מפות מרחקים על מודלים תלת ממדיים. בניגוד לחישוב פשוט של מרחקים בין נקודות במרחב אוקלידי, חישוב מפות מרחקים על גבי צורות גאומטריות לא שטוחות הינו מאתגר ודורש שיטות חישוביות נומריות. למפות המרחקים שימושים רבים בתחום של גרפיקה ממוחשבת, רובוטיקה, ואינטיליגנציה מלאכותית.

בעזרת המפות הללו אפשר למשל למצוא את המסלול הקצר ביותר בין שתי נקודות בתוך מסלול מכשולים מפותל עבור רכב אוטונומי או עבור סוכנים במשחק מחשב הרודפים אחרי השחקן. דוגמא נוספת היא מדידת מרחקים בין נקודות בעלות עניין בסריקה תלת ממדית של פנים ומשמשות כחתימה ביומטרית ייחודית.

האלגוריתם ימומש על חומרה גרפית של NVIDIA בעלת אלפי ליבות העובדות במקביל.

בשלב הראשון נחשב מיפוי מיוחד מהמשטח התלת ממדי לתחום שהינו שטוח בכל מקום פרט למספר נקודות סינגולריות. בשלב השני נדגום את התחום "השטוח" וניצור "תמונה גאומטרית" ולבסוף נבצע חישוב מקבילי על התמונה הגאומטרית המתקבלת של מפת המרחקים.

תכולת הפרויקט:

הפרויקט ידרוש מימוש של אלגוריתם מורכב בתוכנה תוך שימוש בחומרה גרפית בעלת אלפי ליבות.

קורסי קדם:

• עיבוד דיגיטלי של גיאומטריה (83-656). ניתן לקחת במקביל.

קורסים מומלצים:

ניתן לקחת במקביל (לא חובה) :

• חישוב מקבילי ב-GPU (83-920).
• עיבוד דיגיטלי של גיאומטריה 2 (83-633).
• גרפיקה ממוחשבת (83-654).

דרישות נוספות:

• יכולת תכנות טובה.
• יכולת עבודה עצמאית והגדלת ראש.

מקורות:

1. http://www.eng.biu.ac.il/~weberof/Publications/PMM/SIGGRAPH08.zip

806 Photorealistic Stereographic Rendering of Impossible 3D Objects

רינדור פוטוריאליסטי סטריאוגרפי של אובייקטים תלת ממדיים בלתי אפשריים

שם המנחה: פרופ' אופיר וובר
אחראי/ת אקדמי/ת: פרופ' אופיר וובר

הרקע לפרויקט:

An impossible image is a 2D image that represents a projection of a 3D object that cannot exist physically in real life. The artist M.C. Escher was a master in drawing such impossible images.

In this project, a computer software for modeling such 3D objects and producing impossible image illusions will be created. The main theory is based on a paper by Savransky et al. from 1999.

The idea of the project is to extend the algorithm given in the paper such that the rendered images will be photorealistic, creating a stronger illusion for the 3D perception. We will achieve this by supporting stereographic rendering using “3D glasses” like in movie theaters.

This creates a stronger depth perception in the viewer’s mind.

Additional extensions will be made by using more realistic optical perspective projection and global illumination.

מטרת הפרויקט:

היכרות עם תחום הגרפיקה והגאומטריה, התעמקות בנושא מתקדם בתחום והתנסות במימוש אלגוריתם ובניית תוכנה מורכבת כהכנה לעבודה בתעשיית ההייטק.

תכולת הפרויקט:

הפרויקט ידרוש פיתוח ומימוש של אלגוריתם מורכב בתוכנה.

קורסי קדם:

• 83654 גרפיקה ממוחשבת. ניתן לקחת במקביל.

קורסים מומלצים (לא חובה וניתן לקחת במקביל):

• 83656 עיבוד דיגיטלי של גיאומטריה 1
• 83633 עיבוד דיגיטלי של גיאומטריה 2

דרישות נוספות:

• יכולת תכנות טובה.
• יכולת עבודה עצמאית והגדלת ראש.

מקורות:

1. http://www.eng.biu.ac.il/~weberof/Escher/index.html
2. Savransky, Guillermo, Dan Dimerman, and Craig Gotsman. "Modeling and Rendering Escher‐Like Impossible Scenes." Computer Graphics Forum. Vol. 18. No. 2. Oxford, UK and Boston, USA: Blackwell Publishers Ltd, 1999.

807 Artificial intelligence against roulette

בינה מלאכותית נגד רולטה

שם המנחה: צבי לוטקר ורן גלס
אחראי/ת אקדמי/ת: פרופ' צבי לוטקר

הרקע לפרויקט:

החלום של ״לנצח את הרולטה״ הוא חלום עתיק יומין, והוא נוגע בשאלה האם העולם הוא דטרמיניסטי או אקראי: האם מרגע שנזרק הכדור אל גלגל הרולטה, התוצאה כבר נקבעה? ואם כן, האם ניתן לדעת את התוצאה לפי מיקום הכדור, מסלולו, מהירותו וכיוב?

מטרת הפרויקט:

בפרויקט אנו נבנה מערכת שתנסה לחזות את תוצאות הרולטה באמצעות טכנולוגיה של רשתות נוירונים ועיבוד תמונה.

המטרה של הפרויקט היא לבנות מערכת המקבלת כקלט סרט של משחק רולטה, והמערכת תנסה לחזות את התוצאה של הרולטה – לאיזה מספר יגיע הכדור בסוף. הכלים שנשתמש הם כלי למידת מכונה כדוגמת רשתות נוירונים, מצלמה בפלאפון, ועיבוד תמונה.

תכולת הפרויקט:

שלבי הפרויקט יכילו פיתוח מערכת תוכנה המקבלת קלט סרט של משחק רולטה:

1. איסוף אוטומטי של סרטי משחקי רולטה
2. למידה של הפיזיקה, והסתברות הרלבנטית לפרויקט.
3. ניתוח סטטיסטי של הסרטים באמצעות רשתות נוירונים.
4. ביצוע אופטימיזציה להגברת אחזוי ההצלחה של מערכת החיזוי

קורסי קדם:

• מבני נתונים ואלגוריתמים
• הסתברות
• הנדסת תוכנה
• למידת מכונה (ייתרון)

מקורות:

1. Breen PG, Foley CN, Boekholt T, Zwart SP.‪ Newton vs the machine: solving the chaotic three-body problem using deep neural networks. 
2. https://www.wolfram.com/language/11/neural-networks/
3. https://reference.wolfram.com/language/tutorial/NeuralNetworksIntroduction.html
4. https://resources.wolframcloud.com/NeuralNetRepository/
5. Kucharski, Adam. The Perfect Bet: How Science and Maths are Taking the Luck Out of Gambling. Profile Books, 2016.

808 Visualization of geometric distortion on 3D surfaces

ויזואליזציה של עוות גאומטרי על משטחים תלת ממדיים

שם המנחה: פרופ' אופיר וובר
אחראי/ת אקדמי/ת: פרופ' אופיר וובר

הרקע לפרויקט:

תחום הגרפיקה הממוחשבת הינו תחום מרתק המתפתח בקצב מהיר בשנים האחרונות בעיקר בגלל תעשיית הקולנוע ומשחקי המחשב הגורפות מיליארדי שקלים, אך משמש גם בתחומים רבים נוספים כגון דימות רפואית, תכנון וייצור בעזרת מחשב, הדפסה תלת ממדית וכו'.

אובייקטים בגרפיקה ממוחשבת הינם משטחים בעלי צורה גיאומטרית כלשהיא (למשל גוף או פנים של בן אדם) המיוצגים לרוב על ידי רשת של משולשים זעירים המחוברים זה לזה לאורך קשתות חופפות.

מיפוי בין משטחים הוא אחד הכלים הבסיסיים והחשובים ביותר בתחום של גרפיקה ממוחשבת ועיבוד דיגיטלי של גאומטריה. קיימים אלגוריתמים רבים לחישוב מיפויים בין משטחים. למיפויים האלה יש תכונות גאומטריות והמטרה העיקרית בחישוב מיפוי כזה היא למזער את העיוות הגאומטרי שהינו בלתי נמנע.

בפרויקט זה לא נעסוק באופן ישיר בחישוב של מיפויים בין משטחים. במקום זה נעסוק בהערכת האיכות של מיפויים קיימים. הערכה זו תתבצע על ידי ויזואליזציה גרפית. הפרויקט יעסוק בתכנון ומימוש ויזואליזציה למיפויים מסוגים שונים והשוואה ביניהם.

מטרת הפרויקט:

היכרות עם תחום הגרפיקה והגאומטריה, התעמקות בנושא מתקדם בתחום והתנסות במימוש אלגוריתם ובניית תוכנה מורכבת כהכנה לעבודה בתעשיית ההייטק.

תכולת הפרויקט:

• הפרויקט ידרוש פיתוח של אלגוריתם מורכב לוויזואליזציה של עוות גאומטרי של מיפויים בין משטחים.
• מימוש האלגוריתם בשפת C++ בשילוב עם כלים גרפיים כמו Maya ותוכנות נוספות כמו Matlab.
• בדיקה יסודית של תוצאות האלגוריתם על מגוון רחב של מודלים תלת מימדיים והשוואה לשיטות מתחרות.

קורסי קדם:

• 83656 עיבוד דיגיטלי של גיאומטריה 1. ניתן לקחת במקביל.

קורסים מומלצים (לא חובה וניתן לקחת במקביל):

• 83654 גרפיקה ממוחשבת.
• 83633 עיבוד דיגיטלי של גיאומטריה 2

דרישות נוספות:

• יכולת תכנות טובה.
• יכולת עבודה עצמאית והגדלת ראש.

מקורות:

1.  Botsch, Mario. Polygon Mesh Processing / Mario Botsch ... [et Al.]. A K Peters, 2010.

809 Global Bijective Surface Parametrization

פרמטריזציה חד ערכית גלובלית של משטחים

שם המנחה: פרופ' אופיר וובר
אחראי/ת אקדמי/ת: פרופ' אופיר וובר

הרקע לפרויקט:

תחום הגרפיקה הממוחשבת הינו תחום מרתק המתפתח בקצב מהיר בשנים האחרונות בעיקר בגלל תעשיית הקולנוע ומשחקי המחשב הגורפות מיליארדי שקלים, אך משמש גם בתחומים רבים נוספים כגון דימות רפואית, תכנון וייצור בעזרת מחשב, הדפסה תלת ממדית וכו'.

אובייקטים בגרפיקה ממוחשבת הינם משטחים בעלי צורה גיאומטרית כלשהיא (למשל גוף או פנים של בן אדם) המיוצגים לרוב על ידי רשת של משולשים זעירים המחוברים זה לזה לאורך קשתות חופפות.

מיפוי בין משטחים הוא אחד הכלים הבסיסיים והחשובים ביותר בתחום של גרפיקה ממוחשבת ועיבוד דיגיטלי של גאומטריה. קיימים אלגוריתמים רבים לחישוב מיפויים בין משטחים. למיפויים האלה יש תכונות גאומטריות והמטרה העיקרית בחישוב מיפוי כזה היא למזער את העיוות הגאומטרי שהינו בלתי נמנע.

בפרויקט זה נעסוק במימוש אלגוריתם למיפוי בין משטחים כאשר התכונה העיקרית שלו היא היותו חד-חד ערכי ועל. דבר זה מאפשר לנו למפות טקסטורה על גבי המשטח המקורי ועל ידי כך לצבוע ולהעשיר את המשטח המקורי במידע נוסף.

מטרת הפרויקט:

היכרות עם תחום הגרפיקה והגאומטריה, התעמקות בנושא מתקדם בתחום והתנסות במימוש אלגוריתם ובניית תוכנה מורכבת כהכנה לעבודה בתעשיית ההייטק.

תכולת הפרויקט:

1. הפרויקט ידרוש פיתוח של אלגוריתם פרמטריזציה חד-חד ערכית ועל המבוסס על מיפוי של Torus ע"י משפט Tutte.
2. מימוש האלגוריתם בשפת C++ בשילוב עם כלים גרפיים כמו Maya ותוכנות נוספות כמו Matlab.
3. הרצת האלגוריתם על מגוון רחב של דוגמאות ומודלים תלת ממדיים וניתוח התוצאות.
4. השוואת תוצאות האלגוריתם עם שיטות מתחרות קיימות.

קורסי קדם:

• 83656 עיבוד דיגיטלי של גיאומטריה 1. ניתן לקחת במקביל.

קורסים מומלצים (לא חובה וניתן לקחת במקביל):

• 83654 גרפיקה ממוחשבת.
• 83633 עיבוד דיגיטלי של גיאומטריה 2

דרישות נוספות:

• יכולת תכנות טובה.
• יכולת עבודה עצמאית והגדלת ראש.

מקורות:

1. Polygon mesh processing (book). Botsch, M., Kobbelt, L., Pauly, M., Alliez, P., & Lévy, B. (2010). CRC press.
2. Jiang, Zhongshi, Scott Schaefer, and Daniele Panozzo. "Simplicial complex augmentation framework for bijective maps." ACM Transactions on Graphics 36.6 (2017).

810 Violence detection in closed-circle cameras

זיהוי אלימות במצלמות מעגל סגור

שם המנחה: Prof. Zvi Lotker and Dr. Adi Makmal
אחראי/ת אקדמי/ת: פרופ' צבי לוטקר, דר' עדי מכמל

הרקע לפרויקט:

Violence is recorded too often in closed circle cameras, e.g. in kindergartens, elderly homes, etc. Yet watching all the generated films requires too much time and human resources. As a result, many violent attacks are unobserved and thus not treated well.

מטרת הפרויקט:

The goal of this project is to develop an automatic tool that detects violence in closed-circle cameras.

תכולת הפרויקט:

Following a very successful project in 2019-2020 in which the students designed and implemented an initial proof-of-concept, we are now entering the second phase of the project. The students will be required to:

1. Reproduce the results obtained in the first phase.
2. Design and develop many crucial capabilities that are currently missing.
3. Understand the theoretical aspects of neural-networks that are relevant to the system.

The project requires originality, curiosity, interest in machine learning and neural networks, and the great desire to protect helpless people from violence.

קורסי קדם:

• linear algebra
• statistics
• python

דרישות נוספות:

• machine learning
• neural networks

811 Body gesture detection and analysis

שם המנחה: צבי לוטקר. עדי מקמל
אחראי/ת אקדמי/ת: פרופ' צבי לוטקר

הרקע לפרויקט:

קיים מנעד רחב של מגבלות תנועה בחלק נרחב באוכלוסייה. השפעת אותן מגבלות נעה מאי יכולת לקיים פעולות יומיומיות כגון התכתבות עם מכרים ועד פעולות בסיסיות לדוגמת הבעת רעב או רצון להתפנות. עקב היעדר כלי המונגש לכלל הציבור הסובל מכך ישנה פגיעה מהותית באיכות חייהם.

מטרת הפרויקט:

פיתוח כלי אשר מזהה ומאפיין תנועתיות במנעד מסוים ומאפשר פיתוח ממשקים עתידיים בעלי פונקציונליות שונה לפי הצורך.

תכולת הפרויקט:

על הסטודנטים לבנות את התשתית הדרושה לשם ביסוס הפרויקט לפי הקווים המנחים הבאים:

1. תכנון

• סקר בקרב האוכלוסייה הרלוונטית על מנת לאפיין את תצורת הרשתות העצביות.
• קביעת מנעד המוגבלות.
• תכנון ממשק המשתמש.
• מציאת פתרונות אכסון למידע הנדרש.

2. מחקר

• חקר אודות רשתות עצביות מלאכותיות הקיימות.
• במידת הצורך, בנייה של רשתות עצביות מלאכותיות והוכחת נכונותן.
• שילוב אפשרי של המערכת בתהליכי שיקום.

3. בניית המערכת

• בניית רשת עצבית מלאכותית ו\או איחודן של רשתות קיימות.
• פיתוח ממשק משתמש.

קורסי קדם:

אין

מקורות:

1. A Comprehensive Guide to Machine Learning Soroush Nasiriany, Garrett Thomas, William Wang, Alex Yang, Jennifer Listgarten, Anant Sahai Department of Electrical Engineering and Computer Sciences University of California, Berkeley November 18, 2019
2. O. Russakovsky, J. Deng, H. Su, J. Krause, S. Satheesh, S. Ma, Z. Huang, A. Karpathy, A. Khosla, M. Bernstein, et al., Imagenet large scale visual recognition challenge, International Journal of Conflict and Violence (IJCV) 115 (3) (2015) 211–252.
3. R. Vaillant, C. Monrocq, Y. Le Cun, Original approach for the localisation of objects in images, IEE Proceedings-Vision, Image and Signal Processing 141 (4) (1994) 245–250.
4. R. Girshick, F. Iandola, T. Darrell, J. Malik, Deformable part models are convolutional neural networks, in: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2015, pp. 437–446.
5. J. Fan, W. Xu, Y. Wu, Y. Gong, Human tracking using convolutional neural networks, IEEE Trans. Neural Networks (TNN) 21 (10) (2010) 1610–1623.
6. A. Toshev, C. Szegedy, Deeppose: Human pose estimation via deep neural networks, in: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2014, pp. 1653–1660.
7. S. Eskenazi, P. Gomez-Kr¨amer, J.-M. Ogier, A comprehensive survey of mostly textual document segmentation algorithms since 2008, Pattern Recognition 64 (2017) 1–14.
8. G. Guo, A. Lai, A survey on still image based human action recognition, Pattern Recognition 47 (10) (2014) 3343–3361.
9. L. L. Presti, M. La Cascia, 3d skeleton-based human action classification: A survey, Pattern Recognition 53 (2016) 130–147.
10. J. Zhang, W. Li, P. O. Ogunbona, P. Wang, C. Tang, Rgb-d-based action recognition datasets: A survey, Pattern Recognition 60 (2016) 86–105.
11. Recent Advances in Convolutional Neural Networks Jiuxiang Gua,∗ , Zhenhua Wangb,∗ , Jason Kuenb , Lianyang Mab , Amir Shahroudyb , Bing Shuaib , Ting Liub , Xingxing Wangb , Li Wangb , Gang Wangb , Jianfei Caic , Tsuhan Chenc.

פרויקטים נוספים מומלצים

707 Symbolic Algorithms for Finding Strongly Connected Components

אלגוריתמים סימבוליים למציאת רכיבים קשירים חזקים

שם המנחה: Dr. Hillel Kugler and Amit Schussheim
אחראי/ת אקדמי/ת: דר' הלל קוגלר

הרקע לפרויקט:

עבור גרף מכוון, רכיב קשירות חזק מכיל את כל הקודקודים כך שניתן להגיע בינהם בשני הכוונים.
בפרויקט נלמד אלגוריתמים סימבוליים למציאת רכיבים קשירים חזקים ונבנה כלי תוכנה למציאת רכיבים קשירים עבור גרפים גדולים ועבור אנסמבלים של גרפים.

מטרת הפרויקט:

במהלך הפרויקט הסטודנטים ילמדו אלגוריתמים סימבוליים למציאת רכיבים קשירים ויפתחו קוד יעיל ושיפורים הנדסיים לאפשר לאלגוריתם לפעול עבור גרפים גדולים ועבור אנסמבלים של גרפים.

תכולת הפרויקט:

• לימוד אלגוריתמים סימבוליים למציאת רכיבים קשירים
• ממוש אלגוריתם בצורה יעילה
• שיפורים הנדסיים לאפשר לאלגוריתם לפעול עבור גרפים גדולים ועבור אנסמבלים של גרפים

קורסי קדם:

• 83691 Formal Verification and Synthesis (אפשר במקביל לפרויקט)
• 83670 Biological Computation(אפשר במקביל לפרויקט)
• 83869 Cyber Physical Systems(אפשר במקביל לפרויקט)

דרישות נוספות:

• יכולות אלגוריתמיות ותכנותיות גבוהות.
• נכונות להיקף עבודה משמעותי.

מקורות:

1. Roderick Bloem, Harold N. Gabow and Fabio Somenzi. An Algorithm for Strongly Connected Component Analysis in n log n Symbolic Steps. Formal Methods in System Design volume 28, pages 37–56, 2006.
2. B. Yordanov S-J Dunn, H. Kugler, A. Smith, G. Martello and S. Emmott. A method to identify and analyze biological programs through automated reasoning. Nature Systems Biology and Applications, 2016.
3. Manna, Zohar, and Amir Pnueli. "Temporal verification of reactive systems: safety." Springer (1995).

413 Neural Network-based Universal Sound Selector

בורר שמע מבוסס רשת ניורונים

שם המנחה: יוחאי ימיני
אחראי/ת אקדמי/ת: פרופ' שרון גנות

הרקע לפרויקט:

הקלטות אודיו מורכבות מאירועים אקוסטיים (acoustic events) מסוגים שונים כגון אדם מדבר, כלב נובח, צלצול טלפון וכו'. נרצה לברור רק את האירוע שמעניין אותנו, כגון חילוץ דיבור מתוך רעשי הרקע (העשרת דיבור), פעמים רבות לשם המשך עיבוד מתקדם יותר.

מטרת הפרויקט:

בפרויקט זה נממש מערכת המאפשרת חילוץ של אירועי שמע רצויים מתוך הקלטה המכילה עד חמישה אירועי שמע שונים. אירועי השמע יכולים להיות מתוך מאות קטגוריות, מה שהופך את הפרדת האירועים הרצויים למאתגרת.

תכולת הפרויקט:

• מימוש רשתות באמצעות pytorch
• מימוש רשת Conv-TasNet - רשת לעיבוד דיבור בתחום הזמן
• מימוש רשת לברירת אירועי שמע
• שימוש במאגר של אירועי שמע לצורך בניית מידע לאימון הרשת.

קורסי קדם:

• עיבוד ספרתי של אותות 2
• מבוא ללמידת מכונה

דרישות נוספות:

• הקורס למידה עמוקה - מומלץ ביותר
• Python
• PyTorch

מקורות:

1. Ochiai, T.‪, Delcroix, M.‪, Koizumi, Y.‪, Ito, H.‪, Kinoshita, K.‪, & Araki, S.‪ (2020)‪.‪ Listen to What You Want: Neural Network-based Universal Sound Selector.‪
2. Y. Luo and N. Mesgarani, "Conv-TasNet: Surpassing Ideal Time–Frequency Magnitude Masking for Speech Separation," in IEEE/ACM Transactions on Audio, Speech, and Language Processing, vol. 27, no. 8, pp. 1256-1266, Aug. 2019, doi: 10.1109/TASLP.2019.2915167.

707 Anti-sleeping car alert system with image processing and deep learning

מערכת התראת רכב נגד שינה עם עיבוד תמונה ולמידה עמוקה

שם המנחה: Zvi Lotker
אחראי/ת אקדמי/ת: פרופ' צבי לוטקר

הרקע לפרויקט:

Many technological solutions are being developed these days aspire to prevent/decrease the number of car accidents occurring every year. Smart Cars are equipped with advance systems to help the driver avoid accidents, but most of them require the driver’s cooperation and become obsolete once the driver doesn’t work with the system.

According to Virginia Tech Transportation Institute, 20% of car accidents are caused by fatigue. How can we switch roles with the system, so that it watches over us?

We can take advantage of today’s habit of installing video recorders in private vehicles in order to solve this problem.

מטרת הפרויקט:

In this project we will build a new car system that can be attached to existing safety features of the car. We will use neuron networks and image processing to analyze facial behavior to identify the driver’s fatigue level and alert of dangerous situations.

The tools we will use are deep learning, based on neuron networks and image processing

תכולת הפרויקט:

The steps of the project will include developing a software system which receives as input a video of a person driving a car in all phases of awareness.

1. Automatic collection of driving videos.
2. Image processing to identify relevant facial details.
3. Learning of different phases of sleep and neurologic patterns.
4. Statistical analysis of the videos using neuron networks.
5. Optimize to enhance success rate of the prediction.

קורסי קדם:

קורס בלמידת מכונה במקביל לפרויקט

מקורות:

1. Breen PG, Foley CN, Boekholt T, Zwart SP.‪ Newton vs the machine: solving the chaotic three-body problem using deep neural networks. ‬
2. https://www.wolfram.com/language/11/neural-networks/
3. https://reference.wolfram.com/language/tutorial/NeuralNetworksIntroduction.html
4. https://resources.wolframcloud.com/NeuralNetRepository/
5. https://www.ninds.nih.gov/Disorders/Patient-Caregiver-Education/Understanding-Sleep
6. Robert D. Ogilvie, The process of falling asleep, Sleep Medicine Reviews,Volume 5, Issue 3,
2001,Pages 247-270,