Anvendt signalbehandling med kunstig intelligens (ELE640)

Vi omgir oss med smarte telefoner, klokker og sensorer. Gjennom slikt utstyr har vi samtaler, hører på musikk, ser film, mottar informasjon om verden rundt oss i tillegg til at vi overvåker våre omgivelser og oss selv. Vi trenger avansert signal- og bildebehandling for å kunne tolke og gi mening til data fra sensorer i tillegg til at det er behov for at utstyr skal kunne kommunisere med hverandre på tvers av standarder. Også i helsevesenet er analyse av innsamlet data fra medisinsk utstyr i dag avgjørende for å kunne gi god diagnose og behandling av en rekke sykdommer. Dette emnet bygger på emner som Signalbehandling, Bildebehandling og Maskinlæring. Vi lærer grunnleggende teori, noen nye teknikker og etablerer "byggeklosser", som vi utforsker i konkrete applikasjoner. Vi lærer å trekke egenskaper ut av data som for eksempel kan mates inn i maskinlæringsprogrammer. Vi vil lære å anvende både klassisk maskinlæring og dype nevrale nettverk i undervisning og øvinger.

Studentene vil lære om:

Klassiske maskinlæringsmodeller som:

• Support Vector Machines (SVM).
• Random Forest (RF).
• XGBoost.

Tid- og frekvensanalyse ved hjelp av:

• Short Time Fourier Transform (STFT).
• Gabortransformen.
• Wavelettransformen.

Teksturanalyse ved hjelp av:

• Samsvarsmatrise (co-occurrence matrices).
• Lokal binærmønster (local binary pattern (LBP)).

Teknikker og metoder for signal- og bildekompresjon ved hjelp av:

• Den diskrete cosinustransformen (JPEG).
• Wavelets (JPEG2000).

Multirate signalbehandling ved hjelp av polyfase dekomponering.

Generative dyplæringsmodeller som:

• Autoenkodere.
• Generative adversarial networks (GAN).

Vi vil bruke Python aktivt for å anvende de ovennevnte maskin- og dyplæringsmetodene samt signal- og bildebehandlingsmetodene for å:

• Bygge biomedisinske beslutningssystemer for sykdomsklassifisering.
• Generere egenskaper fra datasett bestående av magnetresonansavbildning (MRI) av hjernen og elektroencefalografi (EEG) av hjernen for klassifisering av ulike typer demens hos eldre.
• Komprimere fotografier.
• Gjøre det mulig for signaler fra forskjellige sensorer å arbeide sammen.
• Støyfjerning.

Kunnskap:

Studenten skal lære noe mer avanserte signal- og bildebehandlingsteknikker samt maskin- og dyplæringsteknikker, som bygger videre på temaer som er berørt i ELE500 Signalbehandling, ELE510 Bildebehandling og maskinsyn og ELE520 Maskinlæring.

Studenten skal få kunnskap om flere vesentlige klassiske maskinlæringsmodeller (SVM, RF, XGBoost), signal- og bildebehandlingsverktøy innenfor temaene tid- og frekvensanalyse (STFT, gabortransformen og wavelets), teksturanalyse (samsvarsmatriser og LBP), teknikker og metoder for signal- og bildekompresjon (JPEG og JPEG2000), multirate signalbehandling (polyfase dekomponering) og generative dyplæringsmetoder som autoenkodere og GANs.

Ferdigheter:

Studenten skal anvende ovennevnte metoder i praktisk applikasjoner ved hjelp av programmeringsverktøy i Python. Studenten vil få innsikt i hvordan maskin- og dyplæringsmodeller samt signal- og bildebehandlingsteknikker, kan benyttes i konkrete applikasjoner som sykdomsklassifisering, kompresjon av bilder, resampling av data fra flere sensorer og støyfjerning.

Generell kompetanse:

Etter å ha gjennomført dette emnet skal studenten ha teoretisk forståelse for viktige klassiske maskin- og dyplæringsmodeller samt videregående signal- og bildebehandlingskonsepter. Studenten skal ha en grunnleggende forståelse for hvordan disse metoder kan anvendes på relevante data ved hjelp av programmeringsverktøy i Python.

Programmeringsøvinger ved hjelp av Python:

6 av 6 øvinger må være godkjent av faglærer innen angitte frister.

Emnet har obligatorisk oppmøte.