Breast cancer is the most common form of cancer for women around the world. In an attempt to decrease the mortality, women in Sweden between the ages of 40-74 years are called to regular mammography screenings to detect the disease as early as possible. Despite this, around 1400 die from the disease every year in Sweden. Every mammography image has to be analyzed by two radiologists. Despite this and regular screening, there are cases that go unnoticed. The factors that lessen the effectiveness of the system are that some cases go unnoticed and analyzing the mammography images is time consuming. This paper has investigated whether AI can be used to help solve these issues. Earlier research examines both of these aspects. Algorithms performing at approximately the same level of accuracy as radiologists and lessening the workload for examining radiologists has been developed [1]. This paper examined how to develop a similar simplified algorithm, how it can be implemented in healthcare and what the consequences of that would be. Hopefully, usage of similar technology will lead to a decrease in mortality and more accurate assessments. The study was conducted by interviewing two experts within the subject, and an attempt to develop an algorithm that through image analysis can classify tumours from mammography images.  The result shows that there is a big potential for using AI within healthcare, and by that enabling more accurate diagnosis and reducing mortality. During development of the algorithm a deeper understanding of the difficulties was given, such as the need for adequate processing power, processing and organization of image databases and the complexity in developing such a ML-algorithm for image analysis. The developed algorithm performed slightly better than random when detecting breast cancer on mammography images. / Bröstcancer är den vanligaste cancern bland kvinnor i världen. För att minska dödligheten kallas kvinnor i Sverige mellan 40-74 år regelbundet till mammografiscreening, i syfte att upptäcka tumörer i tid. Trots detta avlider ca. 1400 av sjukdomen varje år. Varje mammografibild granskas av två läkare. Trots detta och regelbunden screening finns det fall som missas. De faktorer som gör att systemet inte fungerar optimalt idag är att viss cancer inte upptäcks i tid samt att analysering av mammografibilderna är tidskrävande. Det här arbetet har undersökt huruvida användning av AI kan bidra till att lösa dessa problem. I tidigare forskning undersöks även båda dessa aspekter. Det har utvecklats AI-algoritmer som presterar ungefär i nivå med radiologer samt minskar arbetsbördan för undersökande radiologer [1]. I detta arbete undersöktes hur utvecklandet av en liknande algoritm går till, hur den faktiskt kan implementeras i sjukvården samt vilka konsekvenser detta kan ha. Förhoppningsvis kan tillämpning av liknande teknik leda till minskad dödlighet och säkrare bedömning. Studien genomfördes med intervjuer av två experter inom området, samt försök att utveckla en förenklad algoritm som genom bildanalys kan klassificera tumörer från mammografibilder. Resultatet visade att det finns stor potential för att använda AI inom sjukvården och med hjälp av detta uppnå säkrare bedömning och färre dödsfall. Under utvecklingen av algoritmen gavs en djupare förståelse för de svårigheter som uppkommer i utvecklandet av en sådan algoritm; såsom de krav på tillgänglig processorkraft, behandling och organisering av bilddatabaser och komplexiteten i att utveckla en maskininlärningsalgoritm för bildanalys. Algoritmen som utvecklades presterade något bättre än slumpen i detektion av tumörer på mammografier.

Ett användningsområde för maskininlärning och neurala nätverk är att förutspå data. Exempel på några fält som gynnas av denna teknologi är sjukvård, dataspel, och nätverksprogrammering. Detta arbete utforskar hur noggrant och tidseffektivt en specifik typ av neuralt nätverk kan förutspå en spelares framtida handlingar. Det neurala nätverket ska förutspå en framtida handling genom att ta en historik av data på spelarens inmatningar och spelets tillstånd vid olika tidpunkter. Det använda neurala nätverket kallas för ett Elmannätverk. Ett sekundärt neuralt nätverk vid namn Feed Forward Network används som jämförelsepunkt vid utvärderingen av Elmannätverket. Datainspelningen genomfördes på en avskalad förstapersonsskjutare där data användes för att både träna och utvärdera de neurala nätverken. Resultaten visar hur Elmannätverket presterade sämre än Feed Forward Nätverket. Rapporten tar upp olika möjliga orsaker till detta. Ett möjligt skäl kan vara att en historik av data inte är relevant för förutsägningen. Detta kan utvärderas vidare i framtida arbete.

Problemformulering: Konsumenter har påvisat en ökad misstro mot traditionell marknadsföring och efterfrågar autenticitet. Influencer Marketing används i allt större utsträckning av företag för att nå sin målgrupp på önskvärt sätt, och branchen anses ha mognat. Som en vidareutveckling av Influencer Marketing har ett nytt fenomen tagit form; Artificiella Influencers. Fenomenet är ännu relativt okänt av gemene man, men har redan uppmärksammats av såväl modehus som marknadsförare världen över. Hur användandet av detta fenomen kan komma att påverka företag, dess varumärken och uppfattade autenticitet är i dagsläget ännu oklart och forskning på ämnet saknas. Syfte: Studien ämnar undersöka om, och hur, konsumenters uppfattning av ett varumärke och dess autenticitet skiljer sig åt då varumärket kommuniceras via en Verklig- eller Artificiell Influencer. Vidare avser studien jämföra hur dessa två marknadsföringsstrategier skiljer sig åt gällande koncepten varumärkesperception och autenticitet. Slutsats: Studien påvisar att såväl likheter som skillnader går att urskilja gällande de attityder och inställningar som återfinns hos respondenterna mellan Verkliga och Artificiella- Influencers. Den avgörande faktorn konstaterades vara vare sig det framgick om Influencern var artificiell eller ej. Om detta ej kunde avgöras av respondenten bedömdes varumärkessamarbetet utefter samma kriterier för båda typerna av Influencers, vilka därmed likställdes från ett autenticitetsperspektiv. Vidare fastställdes den övergripande kongruensen av matchning mellan samtliga faktorer och modeller vara av stor vikt och helt beroende av individernas subjektiva perception av autenticitet. Forskningsbidrag: Denna studie tillför nya insikter om hur individer uppfattar varumärkesautenticitet vid användandet av fenomenet Artificiella Influencers. Detta fenomen är därmed en ny-tappning på ämnesområdet Influencer Marketing varför uppsatsen bidrar med ökad förståelse för såväl fältet Influencer Marketing som fenomenet Artificiella Influencers. / Problematization: Consumers have demonstrated an increased distrust against traditional marketing and are demanding authenticity. Influencer Marketing is used more frequently by companies in order to reach the target audience in a desired manner, and the industry is considered to have matured. As a further development of Influencer Marketing, a new phenomenon has evolved; Artificial Influencers. The phenomenon is still relatively unknown by the commonalty but has already been recognized by both fashion houses and marketers worldwide. The effects this phenomenon will have upon companies deciding to follow this new trend, their brands and perceived authenticity is still unclear and as for now, there is a lack of research on the subject. Purpose: The purpose of this study is to examine if, and how, consumers perception of a brand and its authenticity alters whether the brand is communicated by a Real- or an Artificial Influencer. Furthermore, the study aims to compare how these two marketing strategies differs in terms of brand perception and authenticity. Conclusion: This study determines that both similarities and differences can be distinguished among the attitudes of the respondents regarding the matter of Real- versus Artificial Influencers. The decisive factor was found to be whether or not it was clear that the Influencer was artificial. If the respondent could not tell the origin of the Influencer, the brand collaboration was assessed upon the same criteria for both types of Influencers, hence they can be regarded being equal in terms of authenticity. Moreover, it became clear that the overall congruence of fit between all of the determinants as well as the theoretical models were of importance, which depended on the individual’s subjective perception of authenticity. Contribution: This study contributes with new insights on how individuals perceive brand authenticity when companies market themselves with the help of Artificial Influencers. The phenomenon can therefore be seen as a remastered form of Influencer Marketing hence this thesis contributes to an increased understanding of both the Influencer Marketing field as well as the phenomenon of Artificial Influencers.

Bakgrund: Artificiella influencers är ett nytt fenomen inom marknadsföringsstrategininfluencer marketing. En artificiell influencer är en datorskapad karaktär som genom enfiktiv berättelse skapar kontakt med sina följare. Det saknas idag forskning kringfenomenet och dess påverkan på marknadsföring, varför denna studie ämnar attundersöka fenomenet och bidra med en grundförståelse för artificiella influencers ochdess påverkan på marknadsföring. Syfte: Studien syftar till att undersöka fenomenet artificiella influencers. Metod: Studien är av kvalitativ karaktär, med ett konstruktionistiskt ochinterpretativistiskt utgångspunkt. Studiens ansats är iterativ och empirin har samlats inmed en netnografisk metodik. Det empiriska materialet har analyserats genom entematisk analysmetod. Slutsats: Studien visar att artificiella influencers använder sig av element frånmarknadsföringsstrategin storytelling i olika grad för att lyckas skapa kärnan i influencermarketing, identifikation och trovärdighet, och därmed influera följarna. Genom attframmana en känsla av identifierbarhet tenderar även följarna till de artificiellainfluencerna att utveckla en parasocial relation till karaktärerna. Vidare uttrycker följarnabeundran såväl som förvirring kring karaktärernas digitala framställande. / Background: Artificial influencers is a new phenomenon in the marketing strategy ofinfluencer marketing. An artificial influencer is a computer-generated character, whothrough a fictional story creates contact with the followers. There is currently no researchon the phenomenon and its impact on marketing. Therefore, this study aims to investigatethe phenomenon and contribute with basic understanding of artificial influencers and itsimpact on marketing. Purpose: The study aims to investigate the phenomenon of artificial influencers. Methodology: This study is of qualitative nature, with a constructionist and interpretiviststarting point. The approach of the study is iterative and the data has been collectedthrough a netnography methodology. The collected data has been analyzed by a thematicanalysis method. Conclusion: The result of this study discloses that elements from the marketing strategystorytelling is uesd, to varying degrees, by the artificial influencers with intention toreenact the core strengt in influencer marketing: idetification and trustworthiness, whichin turn enables an ability to influence the followers. By generating a sense of homophily,the followers tend to develop a parasocial relationship with the characters. In addition,the followers are also expressing admiration to the characters, as well as confusion aboutthe digital creation of the

Machine learning models are becoming popular in the industry since the technology has developed to solve numerous problems, such as classification [1], detection [2], and segmentation [3]. These algorithms require training with a large dataset which includes correct class labels to perform well on unseen data. One way to get access to large sets of annotated data is to use data from simulation engines. However this data is often not as complex and rich as real data, and for images, for examples, there can be a need to make these look more photorealistic. One approach to do this is denoted Domain adaptation. In collaboration with SAAB Aeronautics, which funds this research, this study aims to explore available domain adaptation frameworks, implement a framework and use it to make a transformation from simulation to real- life. A state-of-the-art framework CyCADA was re-implemented from scratch using Python and TensorFlow as a Deep Learning package. The CyCADA implementation was successfully verified by reproducing the digit adaptation result demonstrated in the original paper, making domain adaptations between MNIST, USPS, and SVHN. CyCADA was used to domain adapt landscape images from simulation to real-life. Domain-adapted images were used to train an object detector to evaluate whether CyCADA allows a detector to perform more accurately in real-life data. Statistical measurements, unfortunately, showed that domain-adapted images became less photorealistic with CyCADA, 88.68 FID on domain-adapted images compared to 80.43 FID on simulations, and object detection performed better on real-life data without CyCADA, 0.131 mAP with a detector trained on domain-adapted images compared to 0.681 mAP with simulations. Since CyCADA produced effective domain adaptation results between digits, there remains a possibility to try multiple hyperparameter settings and neural network architecture to produce effective results with landscape images. / Denna studie genomfördes i ett samarbete med SAAB Aeronautics och handlar om att utveckla en Domain Adaptation-modul som förbättrar prestandan av ett nätverk för objektdetektering. När ett objektdetekteringsnätverk är tränat med data från en domän så är det inte givet att samma nätverk presterar bra på en annan domän. Till exempel, ritningar och fotografier av frukter. Forskare löser problemet genom att samla data från varje domän och träna flera maskininlärningsalgoritmer, vilket är en lösning som kräver tid och energi. Detta problem kallas för domänskiftesproblem. Ett hett ämne inom djupinlärning handlar om att lösa just detta problem med domänskift och det finns en rad algoritmer som faller i kategorin Domain Adaptation. Denna studie utvecklar CyCADA som metod att evaluera en toppmodern Domain Adaptation-algoritm. Återimplementering av CyCADA blev lyckad, eftersom flera resultat var återskapade från den originala artikeln. CyCADA producerade effektiva domänskiften på bilder av siffror. CyCADA användes med landskapsbilder från en simulator för att öka verklighetsförankringen på bilderna. Domänskiftade landskapsbilder blev suddiga med CyCADA. FID värdet av domänskiftade bilder, ett utvärderingsmått som evaluerar fotorealism av bilder, blev lägre i jämförelse med endast simulerade bilder. Objektdetekteringsnätverket presterade bättre utan användning av CyCADA. Givet att CyCADA presterade bra i att transformera bilder av siffror från en domän till en annan finns det hopp om att ramverket kan prestera bra med landskapsbilder med fler försök i att ställa in hyperparameterar.

The following project deals with the optimization of simulation parameters such as the injection location and pitch angle of polyurethane foaming simulations using artificial neural networks. The model's target is to predict quality variables based on the process parameters and the geometry features. Through several evaluations of the model, good parameter combinations can be found which in turn can be used as good initial guesses by high fidelity optimization tools. For handling different mould geometries, a meshing tool has been programmed which transforms variable-sized surface meshes into voxel meshes. Cross-section images of the meshes are then passed together with a series of simulation settings to the neural network which processes the data streams into one set of predictions. The model has been implemented using the TensorFlow interface and trained with a custom generated data set of roughly 10000 samples. The results show well-matching prediction and simulation profiles for the validation cases. The magnitudes of the quality parameters often differ, but the especially relevant areas of optimal injection points are well covered. Good results together with a small model size provide evidence for a feasible and successful extension towards a full 3D application. / Följande projekt handlar om optimering av simuleringsparametrar, såsom injektionsplats och stigningsvinkel för polyuretanskummande simuleringar med hjälp av artificiella neurala nätverk. Modellens mål är att förutsäga kvalitetsvariabler baserat på processparametrarna och geometrifunktionerna. Genom flera utvärderingar av modellen kan man hitta goda parameterkombinationer som i sin tur kan användas som gedigna förutsägelser med högkvalitativa optimeringsverktyg. För hantering av olika geometriska former har ett maskverktyg programmerats som omvandlar ytmaskor med varierande storlek till voxelmaskor. Tvärsnittsbilder av maskor na tillsammans med en serie simuleringsinställningar överförs till det neurala nätverket som behandlar dataströmmarna till en uppsättning förutsägelser. Modellen har implementerats med hjälp av TensorFlow och utbildats med en anpassad genererad datauppsättning på cirka 10000 prover. Resultaten påvisar väl matchande förutsägelser och simuleringsprofiler för valideringsfall. Kvalitetsparametrarnas storlek varierar ofta, men de särskilt relevanta områdena med optimala injektionspunkter är väl täckta. Goda resultat tillsammans med en liten modellstorlek ger bevis för en genomförbar och framgångsrik förlängning mot en fullständig 3D applikation.

Polarimetric Synthetic Aperture Radar (PolSAR) has been used for various remote sensing applications since more information could be obtained in multiple polarizations. The overall objective of this thesis is to investigate urban area information extraction from PolSAR data with the following specific objectives: (1) to exploit polarimetric scattering model-based decomposition methods for urban areas, (2) to investigate effective methods for man-made target detection, (3) to develop edge detection and superpixel generation methods, and (4) to investigate urban area classification and segmentation. Paper 1 proposes a new scattering coherency matrix to model the cross-polarized scattering component from urban areas, which adaptively considers the polarization orientation angles of buildings. Thus, the HV scattering components from forests and oriented urban areas can be modelled respectively. Paper 2 presents two urban area decompositions using this scattering model. After the decomposition, urban scattering components can be effectively extracted. Paper 3 presents an improved man-made target detection method for PolSAR data based on nonstationarity and asymmetry. Reflection asymmetry was incorporate into the azimuth nonstationarity extraction method to improve the man-made target detection accuracy, i.e., removing the natural areas and detecting the small targets. In Paper 4, the edge detection of PolSAR data was investigated using SIRV model and Gauss-shaped filter. This detector can locate the edge pixels accurately with fewer omissions. This could be useful for speckle noise reduction, superpixel generation and others. Paper 5 investigates an unsupervised classification method for PolSAR data in urban areas. The ortho and oriented buildings can be discriminated very well. Paper 6 proposes an adaptive superpixel generation method for PolSAR images. The algorithm produces compact superpixels that can well adhere to image boundaries in both natural and urban areas. / Polarimetriska Synthetic Aperture Radar (PolSAR) har använts för olika fjärranalystillämpningar för, eftersom mer information kan erhållas från multipolarisad data. Det övergripande syftet med denna avhandling är att undersöka informationshämtning över urbana områden från PolSAR data med följande särskilda mål: (1) att utnyttja polarimetrisk spridningsmodellbaserade nedbrytningsmetoder för stadsområden, (2) att undersöka effektiva metoder för upptäckt av konstgjorda objekt, (3) att utveckla metoder som kantavkänning och superpixel generation, och (4) för att undersöka klassificering och segmentering av stadsområden. Artikel 1 föreslår en ny spridnings-koherens matris för att modellera korspolariserade spridningskomponent från tätorter, som adaptivt utvärderar polariseringsorienteringsvinkel av byggnader. Artikel 2 presenterar nedbrytningstekniken över två urbana områden med hjälp av denna spridningsmodell. Efter nedbrytningen kunde urbana spridningskomponenter effektivt extraheras. Artikel 3 presenterar en förbättrad detekteringsmetod för konstgjorda mål med PolSAR data baserade på icke-stationaritet och asymmetri. integrerades reflektionsasymmetri i icke-stationaritetsmetoden för att förbättra noggrannheten i upptäckten av konstgjorda föremål, dvs. att ta bort naturområden och upptäcka de små föremålen. I artikel 4 undersöktes kantdetektering av PolSAR data med hjälp av SIRV modell och ett Gauss-formad filter. Denna detektor kan hitta kantpixlarna noggrant med mindre utelämnande. Detta skulle den vara användbar för reduktion av brus, superpixel generation och andra. Artikel 5 utforskar en oövervakad klassificeringsmetod av PolSAR data över stadsområden. Orto- och orienterade byggnader kan särskiljas mycket väl. Baserat på artikel 4 föreslår artikel 6 en adaptiv superpixel generationensmetod för PolSAR data. Algoritmen producerar kompakta superpixels som kan kommer att följa bildgränser i både naturliga och stadsområden. / <p>QC 20160607</p>

<p>Vid analys av fluider med akustisk spektroskopi finns ett behov av att finna multivariata metoder för att utifrån akustiska spektra prediktera storheter såsom viskositet och densitet. Användning av artificiella neurala nätverk och bayesiska nätverk för detta syfte utreds genom teoretiska och praktiska undersökningar. Förbehandling och uppdelning av data samt en handfull linjära och olinjära multivariata analysmetoder beskrivs och implementeras. Prediktionsfelen för de olika metoderna jämförs och PLS (Partial Least Squares) framstår som den starkaste kandidaten för att prediktera de sökta storheterna.</p> / <p>When analyzing fluids using acoustic spectrometry there is a need of finding multivariate methods for predicting properties such as viscosity and density from acoustic spectra. The utilization of artificial neural networks and Bayesian networks for this purpose is analyzed through theoretical and practical investigations. Preprocessing and division of data along with a handful of linear and non-linear multivariate methods of analysis are described and implemented. The errors of prediction for the different methods are compared and PLS (Partial Least Squares) appear to be the strongest candidate for predicting the sought-after properties.</p>

Vid analys av fluider med akustisk spektroskopi finns ett behov av att finna multivariata metoder för att utifrån akustiska spektra prediktera storheter såsom viskositet och densitet. Användning av artificiella neurala nätverk och bayesiska nätverk för detta syfte utreds genom teoretiska och praktiska undersökningar. Förbehandling och uppdelning av data samt en handfull linjära och olinjära multivariata analysmetoder beskrivs och implementeras. Prediktionsfelen för de olika metoderna jämförs och PLS (Partial Least Squares) framstår som den starkaste kandidaten för att prediktera de sökta storheterna. / When analyzing fluids using acoustic spectrometry there is a need of finding multivariate methods for predicting properties such as viscosity and density from acoustic spectra. The utilization of artificial neural networks and Bayesian networks for this purpose is analyzed through theoretical and practical investigations. Preprocessing and division of data along with a handful of linear and non-linear multivariate methods of analysis are described and implemented. The errors of prediction for the different methods are compared and PLS (Partial Least Squares) appear to be the strongest candidate for predicting the sought-after properties.

The aim of this research is to find out what environmental impact a wave power park has on the Swedish west coast by creating a consultation paper (”Samrådsunderlag”) for the Lysekilproject at Uppsala University. To highlight the complexity of the problem a system analytic approach was used and illustrated by a Causal Loop Diagram. The overall assessment of the Lysekilprojects wave power park at the Swedish west coast is that it will have a low impact on the environment. This is due to the relative small size of the wave power park and some technical solutions made with the environmental aspect in mind. Artificial reefs and a sanctuary for marine species are effects created by the wave power park and in the longer term the impact will give access to an untapped source of renewable energy, wave energy. Thus reducing the need of fossil fuels and making it possible to reach the Swedish national environmental goals. / Lysekilsprojektet