Daksitha Withanage Don M.Sc.

Research Associate
Chair for Human-Centered Artificial Intelligence
Phone: +49 821 – 598 2305
Email:
Room: 2044 (N)
Address: Universitätsstraße 6a, 86159 Augsburg

Forschungsschwerpunkte

  • Affective Computing
  • Artificial Emotional Intelligence
  • Automatic Behaviour Analysis and Synthesis
  • Socially Interactive Agents
  • Deep Learning

OFFENE THEMEN FÜR ABSCHLUSSARBEITEN UND PROJEKTMODULE

Wir bieten flexible Themen für Bachelor-, Masterarbeiten und Projektmodule an, die an Ihre Interessen und Bedürfnisse angepasst werden können. Da ich kein Muttersprachler bin, kommuniziere ich hauptsächlich auf Englisch. Daher wäre es vorteilhaft, wenn Sie sich mit der englischen Sprache wohlfühlen. Ihre eigenen Themenvorschläge, die mit meinen Forschungsschwerpunkten überschneiden, sind stets willkommen. Bitte zögern Sie nicht, mich für weitere Fragen zu kontaktieren. Ich freue mich auf die Zusammenarbeit mit Ihnen.
 

We offer flexible topics for Bachelor's theses, Master's theses and project modules that can be adapted to your interests and needs. As I am not a German native speaker, I communicate mainly in English. Therefore, it would be advantageous if you are comfortable with the English language. Your own suggestions for topics that overlap with my research interests are always welcome. Please do not hesitate to contact me for further questions. I look forward to working with you.

 

 

 

Automatisierte Verhaltensannotierungsmethode

Diese Masterarbeit befasst sich mit der Entwicklung einer automatischen Annotierungsmethode zur Analyse von Verhaltensinteraktionen. Aktuell werden Verhaltensinteraktionen in der Psychologie von Experten anhand bestimmter Verhaltensweisen annotiert, wobei Verfahren wie CIB und ICEP zur Anwendung kommen.

Ziel dieser Arbeit ist es, eine Methode zu entwickeln, die multimodale Signale aus Videoaufzeichnungen von Interaktionen nutzt, um automatische Annotationen zu erstellen. Hierbei sollen Korrelationen zwischen bestehenden Annotationsschemata und automatischen Verhaltenserkennungsmethoden mithilfe von maschinellem Lernen untersucht und bewertet werden.

Im speziellen Fokus stehen dabei Mutter-Kind-Interaktionen im Alter von 3 bis 9 Monaten. Die Masterarbeit bietet die Möglichkeit, fundierte Kenntnisse in den Bereichen maschinelles Lernen, automatisierte Annotation und Verhaltensanalyse zu erwerben.

 

 

Gesichtserkennung von Emotionen

In dieser Arbeit werden menschliche Emotionen mittels monokularer Bilder und 3D-Rekonstruktionen von Gesichtern erfasst. Die meisten dieser Methoden basieren auf Paul Ekmans Aktions-Einheit-Theorie. Ein besonderes Interesse liegt in der Gegenüberstellung unterschiedlicher Methoden, wie beispielsweise OpenFace und EMOCA, die Deep-Learning-Methoden zur Emotionsklassifikation einsetzen, und deren Auswirkungen zu bewerten.

Der Hauptfokus der Arbeit wird auf der Analyse von aufgezeichneten Video-Interaktionen liegen, die mit den vorgeschlagenen Methoden untersucht werden. Ziel ist es, die Effektivität und Genauigkeit dieser Techniken im Hinblick auf die Erkennung und Klassifikation menschlicher Emotionen zu bewerten und zu vergleichen.

Diese Arbeit bietet die Möglichkeit, fundierte Kenntnisse in den Bereichen Bildverarbeitung, 3D-Rekonstruktion, Emotionserkennung und Deep Learning zu erwerben.

 

 

Aktuelle Projekte

DEEP: Mehrschichtige Verarbeitung von Emotionen für Soziale Agenten Kombination einer Interpretation von Sozialen Signalen und einem Computermodell für Emotionen von Dialogpartnern
Auswirkungen der Covid-19-Pandemie auf Elternschaft und kindliche Entwicklung (SCHWAN)

Search