A téma a BME VIK és Continental Deep Machine Learning Competence Center együttműködésében létrejött PIA (Professional Intelligence for Automotive) részeként kerül meghirdetésre. A témára magyar és külföldi hallgatókat egyaránt várunk. A téma részletes kiírása angol nyelven érhető el. Részletek a PIA programról: https://smartlabai.medium.com/pia-projects-perseverance-e3a659bfca82 Tudományos érdeklődés esetén lehetőség van kutatási munkára is, a téma elméleti kihívásokat tartalmaz, amely TDK konferencián való részvételhez is megfelel. A téma diplomáig, illetve akár PhD témaként is folytatható. Elvárás: Korrekt, egyenletes munkavégzés, proaktívitás, olvasás szintű angoltudás. Előny: "Deep Learning a gyakorlatban Python és LUA alapon" (VITMAV45) tárgyban szerzett 4-es vagy 5-ös osztályzat.

Having a balanced dataset in terms of special conditions like nighttime, rain etc. is a challenging problem of data collection. The datasets tend to be biased towards ideal scenarios like clear weather and daytime. Therefore one might try different data augmentation techniques to overcome this issue. Augmenting the data with generative models (e.g. day-night conversion, weather conversion, etc.) while keeping the important objects in place is one of the most advanced data augmentation techniques. Find an approach to condition a generative model (GAN/VAE/Diffusion model) on already available semantic segmentation ground truth labels and apply it on frames from the automotive domain. (In case of multiple applicants, focus could be predefined, e.g. 1 student for GAN, 1 student for VAE, 1 student for diffusion...)