Studentische Arbeiten

Vorübergehende Regelungen während der „Corona-Schließung“ der TUM

  • Hier bei uns am Lehrstuhl können fast alle Arbeiten auch remote durchgeführt werden, und die Bearbeitung der Arbeit ist in den allermeisten Fällen nicht eingeschränkt.
  • Die Abschlussvorträge werden bis auf weiteres über meet.lrz.de abgehalten
  • Falls Abschlussarbeiten aufgrund der aktuellen Situation nicht rechtzeitig beendet werden können, bitte Mitteilung über Ihren Betreuer an das Studiensekretariat
  • Die Anmeldungen von Bachelor- oder Masterarbeiten werden vom Betreuer per E-Mail an das Studiendekanat geschickt.
    Falls Unterschriften des Studierenden und/oder Prüfers nicht auf der Anmeldung sein können, dann werden die Studierenden und/oder der Prüfer, sofern nicht der Absender, ins cc gesetzt, bzw. wird der Emailverkehr Studierender/Betreuer an Studiendekanat weiterleiten - es geht letztendlich darum, dass erkennbar ist, dass alle Beteiligten mit dem Thema, Beginn und Betreuung der Abschlussarbeit einverstanden sind
  • Die Abgabe erfolgt momentan in digitaler Version inklusive mit Datum versehenem und unterschriebenem Text:
    Erklärung d. Studierenden: „Hiermit versichere ich, dass ich die vorliegende Arbeit selbständig verfasst und keine anderen als die angegebenen Quellen und Hilfsmittel benutzt habe.“  und zusätzlich „Mir ist bekannt, dass nur diese digitale Version gültig ist und bewertet wird. Weitere digitale Versionen oder gedruckte Versionen werden nicht für die Bewertung berücksichtigt.“
    Bei der Abgabe per email ist zu berücksichtigen, dass mindestens zwei Personen Zugriff darauf haben.

Am Lehrstuhl MMK sind ständig Themen für studentische Arbeiten (Bachelor- und Masterarbeiten, Forschungspraxis, IDP) zu vergeben.

Wenn Sie ein passendes Thema für Ihre studentische Arbeit gefunden haben wenden Sie sich an den zuständigen Assistenten. Falls keine passende Arbeit ausgeschrieben ist, können Sie auch mit einem Assistenten Kontakt aufnehmen, um ein Thema zu erhalten.

Ingenieurpraxis: Das Ziel der Ingenieurpraxis ist einen Einblick in die Abläufe in der Industrie zu erhalten. Daher bieten wir keine Ingenieurspraxis bei uns an, betreuen Sie aber gerne, wenn Sie eine Stelle in einer Firma finden.

Ebenso bieten wir keine Praktikumsstellen am Lehrstuhl an! Eingehende Anfragen werden aufgrund der Menge nicht beantwortet.

Themen für studentische Arbeiten

Sachgebiet: Virtual Reality

Empirische Forschung im Bereich Virtual Reality

Thema Empirische Forschung im Bereich Virtual Reality
Typ Forschungspraxis (FP), Interdisziplinäres Projekt (IDP)
Betreuer Maximilian Rettinger, M.Sc.
E-Mail: maximilian.rettinger@tum.de
Sachgebiet Virtual Reality
Beschreibung Am Lehrstuhl für Mensch-Maschine-Kommunikation haben Sie ab sofort die Möglichkeit, sich für ein Interdisziplinäres Projekt (IDP) oder eine Forschungspraxis (FP) im Bereich Virtual Reality zu bewerben. Hierfür gibt es verschiedene Themen, welche Sie mit dem Betreuer besprechen können.
Zudem besteht die Möglichkeit, bestimmte Themen in Teamarbeit mit Ihren Kommilitonen zu erforschen.
Aufgaben
  • Themenbezogene Literaturrecherche
  • Implementierung eines Szenarios
  • Planung, Durchführung und Evaluierung einer Nutzerstudie
Voraussetzung
  • Interesse an neuen Technologien und empirischer Forschung
  • Strukturiertes sowie zuverlässiges Arbeiten
  • Grundkenntnisse der objektorientierten Programmierung
Bewerbung Wenn Sie Interesse an einem Thema aus diesem Bereich haben, senden Sie bitte eine E-Mail an die oben angegebene Adresse. Diese sollte Folgendes enthalten: Motivation, bisherige Erfahrung, Starttermin, Lebenslauf und Zeugnis bzw. Transcript of Records.

Sachgebiet: Speech Recognition

Joint training of speech enhancement and speech recognition

Topic Joint training of speech enhancement and speech recognition
Typ Research Internship (FP), Master's Thesis (MA)
Betreuer Lujun Li, M.Eng.
E-Mail: lujun.li@tum.de
Beschreibung Motivation:
Recently, end-to-end neural networks have made significant breakthroughs in the field of speech recognition, challenging the dominance of DNN-HMM hybrid architectures. However, speech inputs for ASR systems are generally interfered by various background noises and reverberations in realistic environments, leading to the dramatic performance degradation. To alleviate this issue, the mainstream approach is to use a well-designed speech enhancement module as the front-end of ASR. However, enhancement modules would result in speech distortions and mismatches to training, which sometimes degrades the ASR performance. Therefore, integrating the speech enhancement and end-to-end recognition network via jointly training is a promising research field.
Task:
The main task is to improve an already working joint training pipeline, which can be seen below, with state-of-the-art feature extraction methods, speech enhancement algorithms and speech recognition algorithms. Details of the architecture can be found in [1]. As a future reading, [2] also provides a detailed explanation of the integration of speech enhancement and speech recognition.

References:
  1. Liu, Bin & Nie, Shuai & Liang, Shan & Liu, Wen-Ju & Yu, Meng & Chen, Lianwu & Peng, Shouye & Li, Changliang. (2019). Jointly Adversarial Enhancement Training for Robust End-to-End Speech Recognition. 491-495. 10.21437/Interspeech.2019-1242.
  2. M. Ravanelli, P. Brakel, M. Omologo and Y. Bengio, "Batch-normalized joint training for DNN-based distant speech recognition," 2016 IEEE Spoken Language Technology Workshop (SLT), San Diego, CA, 2016, pp. 28-34, doi: 10.1109/SLT.2016.7846241.

Requirements
  • Excellent coding skills, preferably in Python.
  • Experience in deep learning frameworks, preferably in Torch/PyTorch & Tensorflow.
  • Background knowledge in speech signal processing or natural language processing is a bonus.
  • Motivation to work on deep learning.
Application If you are interested in working in the promising field of artificial intelligence and more specifically, speech signal processing, we welcome the applications via the email address above. Please specify the topic in the email subject, e.g. Masterarbeit/Forschungspraxis application for topic ‘XYZ’, while emphasizing your previous project experience and ideal starting date. Please also attach your recent CV and the transcript.

A New Method to Generate Hidden Markov Model Topology

Thema A New Method to Generate Hidden Markov Model Topology
Typ Masterarbeit, Forschungspraxis
Betreuer Lujun Li, M.Sc.
Tel.: +49 (0)89 289-28543
E-Mail: lujun.li@tum.de
Beschreibung Motivation : For decades, acoustic models in speech recognition systems pivot on Hidden Markov Models (HMMs), e.g., Gaussian Mixture Model-HMM system and Deep Neural Network-HMM system, and achieve a series of impressive performance. At present, the most widely-employed HMM topology is 3-state left-to-right architecture. However, there is no adamant evidence for its suitability and superiority, reflecting the deficiency of the research into HMM topology. We propose an innovative technique to customize an individual HMM topology for each phoneme, and achieve great results in monophone system. The topic of this thesis is to apply it in triphone system.
Task : The main task is to transfer an already working deep architecture from monophone system to triphone system. Overall, the following steps will be followed during the thesis:
1. State-of-the-art research
2. Understanding the already working deep architecture
3. Implementing the algorithm in triphone system
4. Evaluation of the architecture on Tedliumv2 corpus
5. Demonstration of the working system
Voraussetzung 1. Background knowledge in speech signal processing or natural language processing.
2. Excellent coding skills, preferably in C++ & Python.
3. Experience in deep learning frameworks, preferably in Torch/PyTorch & Tensorflow.
4. Experience in Kaldi toolkits is a big bonus.
5. Motivation to work on deep learning.
Bewerbung If you are interested in this topic, we welcome the applications via the email address above. Please set the email subject to “ application for topic 'XYZ'”, ex. “Master’s thesis application for topic 'XYZ'”, while clearly specifying why are you interested in the topic in the text of the message. Also make sure to attach your most recent CV (if you have one) and grade report.

Sachgebiet: Computer Vision

Distracted Driver Dataset

Thema Distracted Driver Dataset
Typ Master
Betreuer Okan Köpüklü, M.Sc.
Tel.: +49 (0)89 289-28554
E-Mail: okan.kopuklu@tum.de
Sachgebiet Computer Vision
Beschreibung Motivation: According to the last National Highway Traffic Safety Administration (NHTSA) report, one in ten fatal crashes and two in ten injury crashes were reported as distracted driver crashes in the United State in 2014. Therefore detecting the drivers distraction state is utmost important to reduce driver-related accidents. For this task, properly annotated dataset for drivers actions observation is necessary. With such a dataset, state-of-the art Deep Learning Architectures can be used to recognize the distraction state of the drivers.

Task: The main task is to collect a “Distracted Driver Dataset”, and use a light-weight Convolutional Neural Networks (CNN) architecture in order to detect driver’s distractive actions. The dataset should contain the following annotations:
1. Predefined distractive actions that the drivers do
2. Drivers hand states (whether they are on the wheel or not)

During the thesis, the following steps will be followed in general:
1. State-of-the-art research
2. Dataset collection and preparation (i.e. labeling and formating)
3. Light-weight CNN Architecture design
4. Evaluation of the CNN Architecture on the prepared dataset
5. Demonstration of the working system

References:
[1] Baheti, B., Gajre, S., & Talbar, S. (2018). Detection of Distracted Driver using Convolutional Neural Network. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops (pp. 1032-1038).
[2] Hssayeni, M. D., Saxena, S., Ptucha, R., & Savakis, A. (2017). Distracted driver detection: Deep learning vs handcrafted features. Electronic Imaging, 2017(10), 20-26.
[3] G. Borghi, E. Frigieri, R. Vezzani and R. Cucchiara, "Hands on the wheel: A Dataset for Driver Hand Detection and Tracking," 2018 13th IEEE International Conference on Automatic Face & Gesture Recognition (FG 2018), Xi'an, 2018, pp. 564-570.
Voraussetzung 1. Excellent coding skills, preferable in Python
2. Experience in deep learning frameworks, preferably in Torch/PyTorch
3. Motivation to work on deep learning.
Bewerbung If you are interested in this topic, we welcome the applications via the email address above. Please set the email subject to " application for topic 'XYZ'", ex. "Master’s thesis application for topic 'XYZ'", while clearly specifying why are you interested in the topic in the text of the message. Also make sure to attach your most recent CV (if you have one) and grade report.

Real-time Detection and classification of Dynamic Hand Gestures

Thema Real-time Detection and classification of Dynamic Hand Gestures
Typ Forschungspraxis, Masterarbeit
Betreuer Okan Köpüklü, M.Sc.
Tel.: +49 (0)89 289-28554
E-Mail: okan.kupuklu@tum.de
Sachgebiet Computer Vision
Beschreibung Motivation :Detection and classification of dynamic hand gestures is a challenging task since there is no indication when an action starts in a video stream. However, most of the deep learning architectures which are working offline can also function online with proper adjustments. The topic of this thesis is convert an offline-working architecture to an online-working one.
Task : The main task is to bring an already working deep architecture, which can be seen below, to online functionality. Details of the architecture can be found in [1].
As a further reading, [2] also provides a detailed online detection architecture.


References :
[1] O. Köpüklü, N. Köse, and G. Rigoll. Motion fused frames: Data level fusion strategy for hand gesture recognition. arXiv preprint, arXiv:1804.07187, 2018.
[2] P. Molchanov, X. Yang, S. Gupta, K. Kim, S. Tyree, and J. Kautz. Online detection and classification of dynamic hand gestures with recurrent 3d convolutional neural network. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pages 4207–4215, 2016.
Voraussetzung 1. Excellent coding skills in Python,
2. Experience in deep learning frameworks, preferably in Torch/PyTorch.
3. Motivation to work on deep learning.
Bewerbung If you are interested in this topic, we welcome the applications via the email address above. Please set the email subject to “ application for topic 'XYZ'”, ex. “Master’s thesis application for topic 'XYZ'”, while clearly specifying why are you interested in the topic in the text of the message. Also make sure to attach your most recent CV (if you have one) and grade report.