1. Detekcija jajčnih mešičkov v ultrazvočnih volumnih z globokimi nevronskimi mrežami na osnovi modela transformer : magistrsko deloŽiga Pečar, 2025, master's thesis Abstract: V okviru magistrskega dela smo razvili in implementirali tri metode za detekcijo jajčnih mešičkov in jajčnikov v 3D ultrazvočnih volumnih z uporabo globokih nevronskih mrež, osnovanih na arhitekturah tipa transformer. Implementirani sistemi uporabljajo globoko učenje ter arhitekturo transformer in so posebej prilagojeni za obdelavo volumetričnih podatkov. Vse tri rešitve vključujejo pripravo vhodnih ultrazvočnih podatkov, učenje modela na ročno segmentiranih vzorcih ter napovedovanje prisotnosti in oblike mešičkov/jajčnikov v novih podatkih. Za izboljšanje natančnosti smo uporabili različne tehnike bogatenja podatkov ter ločeno obravnavali prisotnost jajčnikov in jajčnih mešičkov. Učinkovitost metod smo ovrednotili s pomočjo kvantitativnih metrik ter vizualno analizo rezultatov nad več volumni iz javno dostopne podatkovne zbirke USOVA3D. Ugotovili smo, da modeli transformer potrebujejo znatno več podatkov, da enačijo ali presežejo zmožnosti konvolucijskih nevronskih mrež.
Keywords: nevronske mreže, 3D segmentacija, globoko učenje, 3D sivinski volumni, model transformer
Published in DKUM: 22.10.2025; Views: 0; Downloads: 13
 Full text (3,45 MB) |
2. Razvoj in učenje agentov z okrepitvijo za računalniško igro Suika Game : diplomsko deloNik Glavič, 2025, undergraduate thesis Abstract: V diplomskem delu smo razvili okolje računalniške igre Suika Game in agenta, ki se igre uči igrati s pomočjo okrepitvenega učenja. Igro smo poustvarili v programskem okolju Unity. Za učenje agenta smo uporabili knjižnico ML-Agents. Raziskali smo temeljna načela okrepitvenega učenja ter preučili učinkovitost agenta pri igranju igre. Naš cilj je bil razviti strategijo, s katero agent postopoma izboljšuje svojo igro in dosega čim boljši rezultat. Na osnovi več eksperimentov smo ugotovili, da naučen agent pri igranju računalniške igre Suika Game dosega rezultate, primerljive ali celo boljše od človeškega igralca.
Keywords: nevronska mreža, videoigra, okrepitveno učenje, okolje Unity, knjižnica ML-Agents
Published in DKUM: 15.10.2025; Views: 0; Downloads: 1
Full text (2,23 MB) |
3. Personaliziran prikaz digitalnih slik za različne vrste barvne slepote z metodo daltonizacijeŽiga Vinčec, 2025, master's thesis Abstract: V magistrskem delu se ukvarjamo z razvojem programske rešitve za barvno slepe osebe. Najprej predstavimo bolezen barvne slepote in njene možne vrste, ki nastanejo zaradi različnih okvar. S simulacijami demonstriramo vsakodnevne izzive, s katerimi se soočajo barvno slepe osebe. Sledi pregled uveljavljenih rešitev, kjer identificiramo glavne pomanjkljivosti, kot so nezmožnost personaliziranja rešitev za izbrano vrsto barvne slepote, neprilagodljivost na pogoje v okolici in nizka hitrost prebarvanja. V praktičnem delu te magistrske naloge prikažemo razvoj in implementacijo lastne programske rešitve za prebarvanje digitalnih slik na zaslonu. Rešitev temelji na testu s pomočjo izokromatskih tablic s katerim iščemo limite, kjer vzorec na ozadju preide iz neprepoznavnega. Na podlagi pridobljenih rezultatov oblikujemo personaliziran elipsoid, s katerim določimo kateri barvni centri v sliki so konfuzni za uporabnika. S postopkom minimizacije poiščemo nadomestne barve tako, da konfuzni pari postanejo razločni, vendar minimalno odstopajoči od originala. Na podlagi izvedenih testov lahko zaključimo, da naša razvita rešitev ponuja sprejemljivo uporabniško izkušnjo za barvno slepe osebe.
Keywords: barvna slepota, daltonizacija, personalizacija, prebarvanje digitalnih slik, programska oprema
Published in DKUM: 15.10.2025; Views: 0; Downloads: 7
Full text (2,92 MB) |
4. Uporaba konvolucijskih nevronskih mrež za detektiranje krošenj drevesJanez Škrlj, 2025, undergraduate thesis Abstract: Diplomsko delo se ukvarja z razvojem računskega modela za detektiranje krošenj dreves v tlorisni sliki gozda. Na osnovi študija literature smo ugotovili, da je problem najlažje rešljiv z uporabo konvolucijskih nevronskih mrež. Za praktični del tega zaključnega dela smo izbrali prepoznavalnik YOLO (angl. You Only Look Once). Svojo rešitev z uporabo različice YOLO v7 smo implementirali v orodju DarkNet. Pripravili smo lastno zbirko slik, ki smo jih zajeli s pomočjo brezpilotnega letalnika. Množico podatkov smo ustrezno razdelili v učno in testno množico. Analiza dobljenih rezultatov je pokazala, da je naša rešitev zmožna prepoznavati krošnje dreves v tlorisnih slikah gozdov. Metrika natančnost je bila nad 90 %, je pa bila metrika priklic nekoliko nižja, tj. okrog 50 %. Diplomsko delo podaja tudi nekaj smernic za uporabo tako naučenih modelov v gozdarstvu.
Keywords: strojno učenje, konvolucijske nevronske mreže, model “You Only Look Once“ (YOLO), računalniški vid, prepoznava objektov s slike
Published in DKUM: 01.10.2025; Views: 0; Downloads: 27
Full text (3,69 MB) |
5. Hybrid neuroscience based on cerebral and muscular information for motor rehabilitation and neuromuscular disorders : D3.1 Established measurement protocol with prepared instrumentationMatej Kramberger, Nina Murks, Matjaž Divjak, Silvia Muceli, Alejandro Pascual Valdunciel, Monica Marlene Rojas Martinez, Miquel Angel Mañanas, Božidar Potočnik, 2023, final research report Published in DKUM: 19.05.2025; Views: 0; Downloads: 4
Full text (982,44 KB)
This document has many files! More... |
6. Stiskanje vokseliziranih drevesnih struktur na podlagi napovedi : diplomsko deloMatej Slomšek, 2025, undergraduate thesis Abstract: Diplomsko delo obravnava stiskanje vokseliziranih drevesnih struktur s pomočjo napovednega modela. Cilj raziskave je bil preučiti učinkovitost brezizgubnega stiskanja, ki temelji na napovedovanju podatkov in kasnejšem stiskanju napak. Uporabili smo različne algoritme, kot so Zip, 7-Zip, WinRAR in FLVC, ter jih primerjali z našo metodo NM (napovedna metoda). Rezultati kažejo, da FLVC dosega najboljša razmerja stiskanja, NM pa se izkaže kot učinkovit pristop za manjše datoteke
Keywords: voksel, drevesna struktura, brezizgubno stiskanje, RLE, stiskanje, vokselizacija, napoved, napaka napovedi, FLVC.
Published in DKUM: 08.05.2025; Views: 0; Downloads: 27
Full text (1,23 MB)
This document has many files! More... |
7. Cephalometric landmark detection in lateral skull X-ray images by using improved spatialconfiguration-netMartin Šavc, Gašper Sedej, Božidar Potočnik, 2022, original scientific article Abstract: Accurate automated localization of cephalometric landmarks in skull X-ray images is the
basis for planning orthodontic treatments, predicting skull growth, or diagnosing face discrepancies.
Such diagnoses require as many landmarks as possible to be detected on cephalograms. Today’s
best methods are adapted to detect just 19 landmarks accurately in images varying not too much.
This paper describes the development of the SCN-EXT convolutional neural network (CNN), which
is designed to localize 72 landmarks in strongly varying images. The proposed method is based
on the SpatialConfiguration-Net network, which is upgraded by adding replications of the simpler
local appearance and spatial configuration components. The CNN capacity can be increased without
increasing the number of free parameters simultaneously by such modification of an architecture.
The successfulness of our approach was confirmed experimentally on two datasets. The SCN-EXT
method was, with respect to its effectiveness, around 4% behind the state-of-the-art on the small ISBI
database with 250 testing images and 19 cephalometric landmarks. On the other hand, our method
surpassed the state-of-the-art on the demanding AUDAX database with 4695 highly variable testing
images and 72 landmarks statistically significantly by around 3%. Increasing the CNN capacity
as proposed is especially important for a small learning set and limited computer resources. Our
algorithm is already utilized in orthodontic clinical practice.
Keywords: detection of cephalometric landmarks, skull X-ray images, convolutional neural networks, deep learning, SpatialConfiguration-Net architecture, AUDAX database
Published in DKUM: 27.03.2025; Views: 0; Downloads: 11
Full text (2,46 MB)
This document has many files! More... |
8. Deeply-supervised 3D convolutional neural networks for automated ovary and follicle detection from ultrasound volumesBožidar Potočnik, Martin Šavc, 2022, original scientific article Abstract: Automated detection of ovarian follicles in ultrasound images is much appreciated when
its effectiveness is comparable with the experts’ annotations. Today’s best methods estimate follicles
notably worse than the experts. This paper describes the development of two-stage deeply-supervised
3D Convolutional Neural Networks (CNN) based on the established U-Net. Either the entire U-Net
or specific parts of the U-Net decoder were replicated in order to integrate the prior knowledge into
the detection. Methods were trained end-to-end by follicle detection, while transfer learning was
employed for ovary detection. The USOVA3D database of annotated ultrasound volumes, with its
verification protocol, was used to verify the effectiveness. In follicle detection, the proposed methods
estimate follicles up to 2.9% more accurately than the compared methods. With our two-stage CNNs
trained by transfer learning, the effectiveness of ovary detection surpasses the up-to-date automated
detection methods by about 7.6%. The obtained results demonstrated that our methods estimate
follicles only slightly worse than the experts, while the ovaries are detected almost as accurately as
by the experts. Statistical analysis of 50 repetitions of CNN model training proved that the training
is stable, and that the effectiveness improvements are not only due to random initialisation. Our
deeply-supervised 3D CNNs can be adapted easily to other problem domains.
Keywords: 3D deep neural networks, 3D ultrasound images of ovaries, deep supervision, detection of follicles and ovaries, U-Net based architecture
Published in DKUM: 27.03.2025; Views: 0; Downloads: 11
Full text (1,28 MB)
This document has many files! More... |
9. ROSUS 2025 - Računalniška obdelava slik in njena uporaba v Sloveniji 2025 : Zbornik 19. strokovne konference2025, proceedings Abstract: ROSUS 2025 – Računalniška obdelava slik in njena uporaba v Sloveniji 2025 je strokovna računalniška konferenca, ki jo od leta 2006 naprej vsako leto organizira Inštitut za računalništvo iz Fakultete za elektrotehniko, računalništvo in informatiko, Univerze v Mariboru. Konferenca povezuje strokovnjake in raziskovalce s področij digitalne obdelave slik in strojnega vida z uporabniki tega znanja, pri čemer uporabniki prihajajo iz raznovrstnih industrijskih okolij, biomedicine, športa, zabavništva in sorodnih področij. Zbornik konference ROSUS 2025 združuje strokovne prispevke več avtorjev, od tega dve vabljeni predavanji ter več demonstracijskih prispevkov. Prispevki podajajo najnovejše dosežke slovenskih strokovnjakov s področij digitalne obdelave slik in strojnega vida, osvetljujejo pa tudi trende in novosti na omenjenih strokovnih področjih. Velik poudarek prispevkov je na promoviranju ekonomske koristnosti aplikacij računalniške obdelave slik in vida v slovenskem prostoru. Takšne računalniške aplikacije zaradi visoke natančnosti, robustnosti in izjemnih hitrosti pri obdelovanju informacij nudijo namreč nove priložnosti za uveljavitev na trgu visokih tehnologij.
Keywords: računalniška obdelava slik, strojni vid, biomedicina, industrijske aplikacije, prenos znanja
Published in DKUM: 07.03.2025; Views: 0; Downloads: 7
Full text (6,89 MB)
This document has many files! More... |
10. Konfiguracija produktnega kataloga s pomočjo velikih jezikovnih modelov : diplomsko deloLuka Balaban, 2024, undergraduate thesis Abstract: Zaključno delo obravnava problem kompleksnosti konfiguracije produktnih katalogov v sistemu Monetization podjetja Tridens, kjer se uporabniki pogosto soočajo z izzivi pri razumevanju in nastavitvi zapletenih obračunskih modelov. Cilj dela je razviti umetno inteligenco, ki bo s pomočjo velikih jezikovnih modelov (LLM), kot je ChatGPT, omogočila enostavnejšo in bolj intuitivno konfiguracijo produktnih katalogov. V okviru raziskave smo analizirali obstoječo tehnično dokumentacijo in bazo znanja podjetja Tridens ter izvedli integracijo modela ChatGPT v zaledni sistem za avtomatizirano generiranje in prilagajanje produktnih katalogov. Rešitev smo preizkusili s testnim sklopom povpraševanj, pri čemer smo primerjali rezultate generiranih konfiguracij z referenčnimi primeri. Rezultati so pokazali, da umetna inteligenca uspešno izboljšuje natančnost in hitrost konfiguracije produktnih katalogov, hkrati pa zmanjšuje potrebo po ročnem delu. Zaključek naloge potrjuje, da uporaba velikih jezikovnih modelov prispeva k izboljšanju uporabniške izkušnje in poenostavitvi konfiguracijskih procesov, kar lahko podjetjem, kot je Tridens, prinese pomembne prednosti v konkurenčnem okolju.
Keywords: veliki jezikovni modeli, umetna inteligenca, produktni katalog, chatGPT, java
Published in DKUM: 06.02.2025; Views: 0; Downloads: 45
Full text (3,25 MB) |
