The importance of quickly finding relevant information in an ever-growing ocean of online content, raises the requirements on search engine ranking quality. Tags can help sort online content and facilitate ranking, but manually tagging massive amounts of content is futile. Deep learning methods have become increasingly good at performing complex classification tasks, and could potentially relieve the problem by automating the tagging process. The aim of this project was to evaluate the effect that automatically generated music tags have on the ranking quality of musical content returned by a search engine. The state-of-the-art music tagging library, musicnn, was used to automatically tag the music collection at the company Epidemic Sound. The ranking quality for a large set of user requests was measured using the Mean Average Precision metric before and after the tags were added. Whether the tags had a positive or negative effect on the ranking quality was deemed inconclusive due to a sparsity in the ground truth data.

Detta examensarbete gjordes i samarbete med Husfoto AB där syftet var att undersöka potentialen i att använda maskininlärniningsalgoritmer för att utföra automatiska klassificeringar mellan godkända och icke-godkända bilder enligt en subjektivt framställd kvalitetsstandard. Både metoder som använder maskininlärning, samt mer traditionella bildanalysmetoder användes, testades och jämfördes inom kvalitetsmåtten precision, känslighet, träffsäkerhet och balanserad träffsäkerhet. Maskininlärningsmetoder som användes var en linjär och en icke-linjär variant av Support Vector Machine (SVM), samt XGboost. De manuella metoderna var en variant av White Patch, samt två egna metoder framtagna för projektet. Bildfelen som undersöktes var vitbalans och färgen på himmel för exteriörbilder, och datan samlades in och annoterades parallellt med arbetet. Trots att mängden data var begränsad så erhölls bättre resultat än förväntat, vilket ger en indikation på att maskininlärning kan användas för klassificeringar med subjektiva bedömningar som referensmått med gott resultat. Resultaten visar att kvalitetsmåtten för flera metoder presterar relativt likvärdigt i många fall med vissa avvikande skillnader. Genom att använda den subjektiva bedömningen av Husfoto för att skapa ett objektivt mått med metoderna som används så visar resultatet att metoderna för vissa fel kommer upp i över 80% träffsäkerhet. / <p>Examensarbetet är utfört vid Institutionen för teknik och naturvetenskap (ITN) vid Tekniska högskolan, Linköpings universitet</p>

The Sun is vital for life on Earth, but its life-giving powers can just as well be threatening. It is constantly bombarding the solar system with dangerous radiation and plasma, which Earth’s magnetic field is protecting us from. The Sun also possesses a strong magnetic field which interacts with Earth’s magnetic field in what is called the Dungey cycle. This master’s thesis project aims to find a method to visualize the Dungey cycle using moving magnetic fieldlines. This project is a continuation of a previously developed fieldline rendering project. The prior method uses a velocity vector field to trace a pathline around Earth, saving vertices at discrete steps; magnetic fieldlines are then traced from each vertex. These magnetic fieldlines are called key frames and are not visualized. They are instead used to interpolate the position of a rendered fieldline over time. The main issue with this prior method occurs when the Sun’s magnetic field links with Earth’s magnetosphere in what is called reconnection. Then, the topology of the fieldlines changes which makes them instantaneously jump to a new position. The developed method in this thesis is built upon the prior method, where both pathlines and key frames still are used. The concept of matching fieldlines is introduced to solve the issue with jumping fieldlines. It is implemented by using seed points close to critical points. Critical points are found externally and are used to trace fieldline pathlines to points where reconnection occurs, as reconnection always happens at critical points. The pathline to a critical point is created by tracing backward through the vector field. It then continues from the critical point by tracing it forward. A pair of matching fieldlines is created for each critical point; one fieldline represents the Sun’s magnetic field and the other represents Earth’s magnetic field. The starting positions of the fieldlines are adjusted to account for time differences to traverse their respective pathlines, to ensure that they meet at the critical point at approximately the same time. The two fieldlines interact and mix with each other as reconnection occurs, resulting in a smooth interpolation through the changing topology. This solves the issue with jumping fieldlines in the prior project and allows for smooth visualization of the Dungey cycle. / <p>Examensarbetet är utfört vid Institutionen för teknik och naturvetenskap (ITN) vid Tekniska fakulteten, Linköpings universitet</p>

The technology development during the last few years have led to increased use of wearable technology devices. Studies show a growing interest for the smart watch functionality and projections are that wearable devices will become mainstream during the next years. This imply that the smart watch functionality will most likely have an impact on both companies and consumers, since new technologies and devices can affect and change current consumer behaviours. Exactly how smart watches will affect consumer usage behaviours is still an uncertainty since the technology is relatively new, and this study aims to research this area in order to predict how the market for smart watches will appear in 2020. A literature study was conducted to provide a theoretical basis for the thesis, including a description of the current smart watch market and models on consumer acceptance related to technology. A qualitative study in form of expert interviews was conducted with the aim to gain insights regarding trends and development factors influencing the market. The study identifies personal identity, monitoring and comfort as the three main motivations to why consumers use smart watches. The three main situations are using smart watches as extensions of the smart phone, in health purposes and for personal advantages. Technology and consumer behaviour related trends are also identified, as well as a series of challenges for future market development. The main conclusions from this research are that the value proposition of smart watches lies within sensor performance and that smart watches will be used primarily for monitoring and professional use. The development pace of the market is also affected by social norms and consumer habits, and in order for smart watches to become mainstream, a functioning ecosystem consisting of network operators, device manufacturers and application developers is needed. / De senaste årens teknikutveckling har inneburit ökad användning av bärbar teknik. Studier visar ett ökat intresse för smarta klockors funktionalitet och prognoser förutspår att bärbara enheter kommer att bli allt mer vanliga de kommande åren. Det betyder att smarta klockors funktionalitet troligen kommer att ha en inverkan på både företag och konsumenter eftersom nya tekniker och enheter kan påverka och förändra nuvarande konsumentbeteenden. Exakt hur smarta klockor kommer påverka konsumenters användarbeteenden är ännu inte klargjort eftersom tekniken är relativt ny. Därför är syftet med denna studie att undersöka det här området för att kunna förutspå hur marknaden för smarta klockor kommer att se ut år 2020.n En litteraturstudie genomfördes i syfte att ge en teoretisk bas till uppsatsen, och inkluderar en beskrivning av den nuvarande marknaden för smarta klockor samt modeller angående konsumentacceptans för teknik. En kvalitativ studie i form av expertintervjuer genomfördes för att få insikter angående trender och faktorer som påverkar marknaden. Studien identifierar personlig identitet, övervakning och bekvämlighet som de tre huvudsakliga motiven till varför konsumenter använder smarta klockor. De tre huvudsakliga användningsområdena är att använda smarta klockor som en förlängning av smarttelefoner, i hälsosyfte och för personliga fördelar. Trender relaterade till teknik och konsumentbeteenden är också identifierade, liksom ett antal utmaningar för framtida utveckling av marknaden.  De huvudsakliga slutsatserna i denna studie är att smarta klockors värdeproposition är sensorernas prestanda, samt att smarta klockor kommer användas främst för övervakning och professionell användning. Marknadens utvecklingstakt påverkas också av sociala normer samt konsumenters vanor, och för att smarta klockor ska bli vedertagna att använda så måste det finnas ett fungerande ekosystem bestående av nätverksoperatörer, produkttillverkare och applikationsutvecklare.

Agoraphobia is the fear of situations where a person perceives the environment as unsafe with no easy way to escape. A common way to treat agoraphobia is to use exposure therapy. An important part of exposure therapy is the homework practice of self-directed exposure sessions a patient does without the therapist, in between therapy sessions. These self-directed sessions come with many challenges, such as making sure the patient feels supported, motivated and that they do the session in the ’right’ way. Solutions to these challenges have been researched and developed in previous studies. However, these studies do not fully make use of all the possibilities that come with today’s mobile technology. This study aims to fill this gap by designing and evaluating a smartphone application called Exphobia. The overall methodological approach was based on the iterative research approach of Design Science Research. The development of Exphobia shows that it is technically possible to build a smartphone app that fulfills the different requirements. The evaluation of Exphobia shows that a smartphone application could potentially be an effective form of support in such a setting. However, further testing needs to be performed with patients diagnosed with agoraphobia to make any conclusions about the clinical effectiveness / Agorafobi är rädslan för situationer där en person upplever miljön som osäker utan något lätt sätt att fly. Ett vanligt sätt att behandla agorafobi är att använda exponeringsterapi. En viktig del av exponeringsterapi är hemuppgifterna med självstyrda exponeringssessioner som en patient gör utan terapeuten, mellan terapisessionerna. Det finns många utmanningar med dessa självstyrda sessioner, som att se till att patienten känner sig stöttad, motiverad och att de gör sessionen på ’rätt’ sätt. Lösningar på dessa utmaningar har undersökts och utvecklats i tidigare studier. Dessa studier utnyttjar dock inte fullt ut alla möjligheter som följer med dagens mobilteknik. Denna studie syftar till att fylla detta forskningsgap genom att designa och utvärdera en smartphone-applikationen Exphobia. Det övergripande tillvägagångssättet baserades på forskningsmetoden Design Science Research. Utvecklingen av Exphobia visar att det är tekniskt möjligt att bygga en smartphone-app som uppfyller de olika tekniska krav som finns. Evalueringen av Exphobia visar att en smartphoneapplikation potentiellt skulle kunna vara en eektiv form av stöd. Ytterligare tester måste dock utföras med patienter som diagnostiserats med agorafobi för att dra några slutsatser om den kliniska eektiviteten.

No description available.

Optimization and automation of Additive Manufacturing is an important part of the fourth industrial revolution, Industry 4.0. Additive Manufacturing is a process similar to 3D printing where a laser burns metal powder into a structure layer by layer. Finding anomalies in each layer is time-consuming due to the large number of layers, therefore, an unsupervised solution to finding anomalies is desired. This work aims to explore different structures and methods for detecting anomalies in images of the layers by training different Artificial Neural Networks. Common metrics in anomaly detection such as Recall, False Positive Rate, Precision, F1-score, and Accuracy have been used to evaluate the results. Data augmentation is difficult to use in anomaly detection in Additive Manufacturing since geometric transforms make the outputs contain high losses and color space transformations can sometimes alter the images so that the anomalies are difficult to detect. Preprocessing the data with a perspective transformation to focus on only the powder bed can remove factors in the images that appear due to angles and camera placement. If not dealt with by the model, these factors can make the models think they are anomalies. Autoencoders is a structure that is efficient and can be leveraged to learn a representation of the images that can be used for different anomaly detection techniques. Using a modified version of squared error loss can result in good detection of anomalies without many false positives. Generative Adversarial Networks (GANs) utilize two models and their latent space to compare real data to generated copies for anomaly detection. However, they require long training times and tend to be unstable during the training phase. Anomalies can also be detected using Vision Transformers by extracting information from the embedded token patches to reconstruct the input data. The data is then compared similarly to the autoencoder. The encoder part of an autoencoder can be used to get latent space vectors that can be used for different kinds of anomaly detection methods. The methods Isolation Forest (iForest), Local Outlier Factor (LOF), Principal Component Analysis (PCA), and Uniform Manifold Approximation and Projection (UMAP) all managed to have high scores for the metrics recall, precision, F1-score, and accuracy. PCA and UMAP also had a low false positive rate compared to a fairly high false positive rate for iForest and LOF. However, these methods need to be tested more for an accurate assessment and on more datasets. / Optimering och automation av additiv tillverkning är en viktig del av den fjärde industriella revolutionen, Industry 4.0. Additiv tillverkning är en process liknande 3D-utskrift där en laser smälter metallpulver till en struktur lager för lager. Att hitta anomalier i varje lager är tidskrävande på grund av det stora antalet lager, därför är en oövervakad lösning för att hitta anomalier önskvärd. Detta arbete syftar till att utforska olika strukturer och metoder för att upptäcka anomalier i bilder av lagren genom att träna olika artificiella neurala nätverk. Vanliga metriker i anomalidetektering såsom Recall, False positive rate, Precision, F1-score och Accuracy har använts för att utvärdera resultaten. Dataaugmentering är svår att använda vid anomalidetektering i additiv tillverkning eftersom geometriska transformationer gör att det man får ut från modeller innehåller höga värden på förluster och färgrymdstransformationer kan ibland ändra bilderna så att anomalierna blir svåra att upptäcka. Förbearbetning av datan med en perspektivtransformation för att fokusera enbart på pulverbädden kan ta bort faktorer i bilderna som uppstår på grund av vinklar och kameraplacering. Om dessa faktorer inte hanteras av modellen kan de få modellerna att tro att de är anomalier. Autoencoders är en struktur som är effektiv och kan användas för att lära sig en representation av bilderna som kan användas för olika tekniker för anomalidetektering. Användning av en modifierad version av kvadratfel-förlust kan resultera i bra detektering av anomalier utan många falska positiva. Generative Adversarial Networks (GANs) använder två modeller och deras latent space för att jämföra verkliga data med genererade kopior för anomalidetektering. Dock kräver de långa träningstider och tenderar att vara instabila under träningsfasen. Anomalier kan också detekteras med Vision Transformers genom att extrahera information från inbäddade tokens för att rekonstruera ingångsdata. Resultatet är sedan likt som för autoencoders. Encoder-delen av en autoencoder kan användas för att få latent space vektorer som kan användas för olika typer av anomalidetekteringsmetoder. Metoderna Isolation Forest (iForest), Local Outlier Factor (LOF), Principal Component Analysis (PCA) och Uniform Manifold Approximation and Projection (UMAP) uppnådde alla höga poäng för metrikerna recall, precision, F1-score och accuracy. PCA och UMAP hade också en låg andel false positives jämfört med en ganska hög andel false positives för iForest och LOF. Dessa metoder behöver dock testas mer för en korrekt bedömning och på fler dataset.

Den här uppsatsen studerar användbarheten i ett avvikelsehanteringssystem designat för små tillmedelstora företag. Studien, som är i samarbete med Boards on Fire, inkluderar utvecklingen ochutvärderingen av ett nytt avvikelsehanteringssystem anpassat för de varierande behov som finns ismå till medelstora företag. En förstudie låg till grund för utvecklingen av systemet, däranvändbarheten utvärderades genom användartester. Sju deltagare utförde testerna, därkvalitativa data samlades in med hjälp av Think aloud-metoden. Teman som identifieradesgenom tematisk analys visar att användarna fann systemet ha ett tydligt flöde och effektiva,användarvänliga funktioner. Vissa utmaningar upptäcktes dock i förbättringssektionen avsystemet. Systemets användbarhet bekräftades kvantitativt med hjälp av System Usability Scale(SUS), där medelpoängen indikerar en god användbarhet. Framtida forskning bör fokusera på attutvärdera systemet i en naturlig miljö och involvera ett bredare spektrum av företag för attbekräfta dess tillämpbarhet inom olika industrier.

Organizations are increasingly utilizing knowledge-sharing technologies to increase the amount of knowledge within their organization. While in most organizations, knowledge sharing is seen as a benefit, for law enforcement agencies it is viewed as a necessity. In order to protect against future terrorist attacks like September 11th, law enforcement agencies are trying to increase knowledge sharing across their current organizational boundaries. Given this massive undertaking, we have to wonder what are the potential unintended effects of this increase in knowledge sharing. This dissertation seeks to address this issue by understanding the relationships between individual and organizational factors, the use of knowledge sharing technology, and organizational outcomes.After a general discussion on knowledge, knowledge management strategies and technologies, a two-part model of knowledge sharing is proposed that 1) predicts outcomes given the use of knowledge sharing technology and 2) investigates the individual and organizational factors that serve as antecedents to the use of the knowledge sharing technology.The findings of this research suggest that given the characteristics of a police organization, an increase in the use of the knowledge sharing technology to communicate with external groups results in decreased productivity and job perceptions. Furthermore, this relationship may be moderated by factors within the police organization. Previous research on knowledge sharing has found that as knowledge sharing increases between individuals in different groups, productivity also increases. The results of this dissertation indicate that this is not always the case. By pulling together different areas of research, such as knowledge management, information technology, communication, and organizational behavior, this dissertation addresses the gaps in the research and contributes to the existing understanding of knowledge sharing. This dissertation also provides an important notice to law enforcement and other organizations: although they may approach knowledge sharing with the best intentions, there can be unintentional effects to increasing the use of knowledge sharing technology.

No description available.