%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %% UEBER DAS SCHREIBEN VON BACHELOR bzw. MASTERARBEITEN UNTER DER BETREUUNG VON Univ.-Prof. Dr. ANDREAS UHL %%%% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% Voraussetzungen: 1) bereitschaft in C/C++ oder JAVA oder Python zu programmieren und vorhandene Software zu verwenden bzw. sich in die sourcen einzuarbeiten; auch MATLAB ist eine moegliche Option 2) englische arbeit 3) im mittel 20 stunden pro woche aufwenden um Fertigstellung zu garantieren Pros: *) Arbeiten in einer Projektgruppe - viele Ansprechpartner *) Bezahlung aus Projektmitteln (je nach Verfuegbarkeit) moeglich; muss angefordert werden und impliziert eine definierte Stundenanzahl pro Woche ! *) Hohe Verfuegbarkeit des Betreuers *) Einfuehrung in den Wissenschaftsbetrieb, im Regelfall wird eine Arbeit auf einer internationalen Konferenz vorgestellt und publiziert. Cons: *) Betreuer hat rel. hohe Ansprueche and die Qualitaet und verlangt zumidest eine moegliche wiss. Publikation aus der Diplomarbeit (wird durch die Themenauswahl ermoeglicht !) - viele positive Beispiele belegen dass dies gut moeglich ist ! *) 3/4 - 1 Jahr muss zur Fertigstellung eingeplant werden (1/2 Jahr fuer Bachelorarbeiten). Bemerkung: fast alle angefuehrten Themen koennen bei Bedarf zu einer Dissertation modifiziert werden. Dissertationsthemen brauchen grundsätzlich laengere persoenliche Diskussion !! BISHER BETREUTE DISSERTATIONEN & DIPLOMARBEITEN ================================================= siehe http://www.cosy.sbg.ac.at/~uhl/vita3_eng.pdf aktuelle DiplomandInnen & Dissertanten siehe www.wavelab.at FREIE THEMEN ============ dazugehoerige Projekte siehe www.wavelab.at Medizinisch- Biologische Bildanalyse ==================================== Im Rahmen eines vom Land Salzburg gefoerderten Projekts - AIBIA (siehe wavelab.at) - kooperieren wir mit diversen Kliniken an der SALK und biowissenschaftlichen Gruppen an der PLUS im Bereich des Einsatzes von Methoden der KI zur Analsyse von einschlaegigen Bild- und Videodaten. Da sich aktuell bearbeitbare Themen laufend aendern, sind hier keine angegeben - bei thematischem Interesse bitte nachfragen ! Finger- und Handvein Erkennungsmethoden ======================================= Nah-Infrarot Bildgebung ermöglicht den Blick unter die Haut und damit koennen Aufnahmen der tiefer liegenden Venenstruktur gemacht werden. Ziele koennen vielfaeltiger Natur sein: *) Cross-Sensor Erkennung (Daten fuer verschiedene Fingervenenscanner sind vorhanden) *) Evaluierung von Apps die behaupten Venen im sichtbaren Bereich darstellen zu koennen - durch unterschiedliche Behandlung der Farbbaender (Verwendung der Aufnahmen fuer Handvenenerkennung) *) Rolle der Polarisierung bei den Aufnahmen *) 3-D Rekonstruktion von Fingervenenscans aus vielen Richtungen *) Durch XAI Methoden erkennen, welche Bereiche von Venen Samples tatsaechlich fuer die Erkennung genutzt werden, wenn deep learning eingesetzt wird Angriffe gegen PRNU-basierte Morphing Erkennung =============================================== Portrait Morphing ist eine der grossen Bedrohungen fuer die Dokumentensicherheit, da mehrere Personen ein- und denselben Pass verwenden koennen. Ein in Salzburg entwickeltes (und mehrfach praemiertes) Verfahren untersucht die Sensor PRNU um solche Morphs aufzudecken. Weiss ein Angreifer allerdings dass dies gemacht wird, koennte er ein Morph so nachbearbeiten, dass die entwickelte forensische Methode ins Leere laeuft - die Entwicklung einer anti-forensischen Methode sozusagen. Dies soll durchgefuehrt und experimentell untersucht werden. Adversarial Attacks gegen Gesichtserkennung im Dokumentenumfeld =============================================================== Eine Vielzahl von (adversarial) Attacken wurden gegen deep-learning basierte Klassifikationsverfahren entwickelt, und somit sind auch Verfahren zur Gesichtserkennung betroffen. Bisweilen ist jedoch voellig unklar, ob diese Angriffe eine Bedrohung im Zusammenhang mit Dokumenten wie Paessen darstellen - dies soll untersucht werden da es hier um spezielle low-quality Szenarien geht. Learning-basierte "Entschluesselung" von partiell verschluesselten Daten ====================================================================== In den vergangnenen Jahren haben wie effiziente Verfahren zur partiellen Verschluesselung von biometrischen Daten entwickelt (fingerpirnts, iris, fingerveins). Mit verschiedenen deep-learning Verfahren soll untersucht werden, ob die Verschluesselung angegriffen / geschwaecht werden kann (z.B. Denoising Netzwerke, Impainting Netzwerke, Image2Image Translation in general). Learning-basierte Kompressionsverfahren ======================================= Mit der Arbeit an JPEG AI ist klar, dass learning basierte, verlustbehaftete Kompression eine vielversprechende Zukunft hat. Hier sollen diese Verfahren in unterschiedlichen Applikationsszenarien untersucht werden, z.B. *) Kompression von biometrischen Sampledaten (z.B. Iris, Fingerprint, Face, Venen) und biologischen Mikroskopiedaten *) Auswirkung dieser Kompression auf eingebettete, robuste Wasserzeichen and auf Kamera Rauschen wie PRNU Quantitative und Qualitative Analyse von Ageing bei Iris, Fingerprint und Palmprint Daten ============================================================================================ Empirisch wurde anhand von im Haus aufgenommen Daten unlaengst dokumentiert, dass durch Alterungsprozesse die Erkennungsgenauigkeit leidet. In dieser Arbeit sollen die konkreten Rohdaten identifiziert werden, die zu falsch negativen Matches fuehren (die also zu erhoehter intra-class variability fuehren) und es soll anschliessend evaluiert werden, inwiefern sich Iristextur bzw. Fingerabdruckbild veraendert haben, um diese fehlerhaften Matches zu verursachen. Optimierung von Farbmodellen fuer Mustererkennung ================================================ Im Bereich Gesichtserkennung wurden Farbmodelle optimiert um Erkennungsgenauigkeit für viele Datenbanken zu optimieren. Diese Grundidee soll für computer-assisted diagnosis Systeme im Bereich Endoskopie angewendet werden (bzw. für Iris-Biometrie im visuellen Spektrum), da es bei beiden Anwendungsfeldern keine Ergebnisse für besonders geeignete Farbmodelle gibt.