Darbo tikslas - sukurti programą, padedančią vartotojui tvarkyti asmeninių nuotraukų archyvą. Pagrindinis funkcionalumas - rasti nuotraukas pagal jų turinį (pvz.: automobiliai, medžiai, gyvūnai), programa gali būti rezalizuota kaip internetinė informacinė sistema (kaip self-hosted alternatyva Google Photos) arba kaip darbalaukio programa (alternatyva Adobe Bridge). Temos atlikimui reikės atlikti tyrimą su algoritmais, uždedančiais žymes nuotraukoms pagal jų turinį.
Galima literatūra: * Fu, J., & Rui, Y. (2017). Advances in deep learning approaches for image tagging. This paper categorizes and evaluates deep learning-based image tagging methods and discusses challenges such as concept modeling and evaluation metrics. https://www.microsoft.com/en-us/research/wp-content/uploads/2017/11/advances_in_deep_learning_approaches_for_image_tagging.pdf * Christy, A. J., & Dhanalakshmi, K. (2022). Content-Based Image Recognition and Tagging by Deep Learning Methods. This study explores content-based image retrieval and tagging using modified CNNs and optimization techniques, achieving high accuracy and precision. https://link.springer.com/article/10.1007/s11277-021-09159-8 * Tagging Personal Photos with Transfer Deep Learning. https://citeseerx.ist.psu.edu/document?repid=rep1&type=pdf&doi=29553c4cf17248bec305cc141b55ff1893cccb45 * Preference prediction based on a photo gallery analysis with scene recognition and object detection https://doi.org/10.1016/j.patcog.2021.108248
Galimos technologijos: OpenCV, TensorFlow.
The aim of the work is to create a program that helps the user manage their personal photo archive. The main functionality is to find photos by their content (e.g. cars, trees, animals), the program can be implemented as an online information system (as a self-hosted alternative to Google Photos) or as a desktop application (alternative to Adobe Bridge). The topic will require research into algorithms that tag photos based on their content.
Possible literature: * Fu, J., & Rui, Y. (2017). Advances in deep learning approaches for image tagging. This paper categorizes and evaluates deep learning-based image tagging methods and discusses challenges such as concept modeling and evaluation metrics. https://www.microsoft.com/en-us/research/wp-content/uploads/2017/11/advances_in_deep_learning_approaches_for_image_tagging.pdf * Christy, A. J., & Dhanalakshmi, K. (2022). Content-Based Image Recognition and Tagging by Deep Learning Methods. This study explores content-based image retrieval and tagging using modified CNNs and optimization techniques, achieving high accuracy and precision. https://link.springer.com/article/10.1007/s11277-021-09159-8 * Tagging Personal Photos with Transfer Deep Learning. https://citeseerx.ist.psu.edu/document?repid=rep1&type=pdf&doi=29553c4cf17248bec305cc141b55ff1893cccb45 * Preference prediction based on a photo gallery analysis with scene recognition and object detection https://doi.org/10.1016/j.patcog.2021.108248
Available technologies: OpenCV, TensorFlow.
| Bakalauro kursinio darbo | | Bakalauro baigiamojo darbo |
| Duomenų modeliavimas (reliacinių, struktūruotų ir nestruktūruotų duomenų modeliavimas, duomenų valdymo ir specializuotų duomenų bazių taikymai ir tyrimai) |
| Paslaugų integracija (moderniųjų informacinių sistemų, paslaugų ar kitų išorinių komponentų integracija pagal taikymo sritį, architektūrinių sprendinių kūrimas bei tyrimai, įskaitant įvairių taikomųjų sričių signalų apdorojimo uždavinius) |
| Naudotojui palankus projektavimas (žmogaus ir kompiuterio sąveikos vertinimas, sprendinių kūrimas siekiant didinti panaudojamumą ir prieinamumą, garso ir vaizdo technologijų taikymai moderniose sistemose) |