Purpose: Exploring the relatively new technology of convolution reverb, to gather knowledge on its limitations when used practically in the production of pop music, and from these findings to learn about applications in other performing arts and sound design.Methodology: This is a case study of creating convolution reverb by doing impulse responses (IR) and then applying them to studio recorded pop music. The empirical data consists of the final song results, notes and journals from during the process and the comparisons, as well as established litterature on acoustics, psycho-acoustics and music production.Results: Convolution reverb can widely and freely be used in the production of music and other audio-based art forms, since our study shows that the result of a well-made impulse response from a particular room is indistinguishable from music that is actually played and recorded in the same space.

Infrared small target detection is widely used in fields such as military and security. UNet, which is a classical semantic segmentation method proposed in 2015, has shown excellent performance and robustness. However, U-Net suffers from the problem of losing small targets in deep layers after multiple down-sampling operations. Dilated convolution, as a special convolution that can increase the receptive field without increasing the number of parameters, is considered to be able to optimize the problems caused by down-sampling. Dense Nested Attention Network (DNANet), due to its superior performance, was chosen as the baseline, but it still has the issue of target loss. This study proposes three optimization directions: deep down-sampling replaced by cascaded dilated convolution, dilated spatial attention, and dilated residual block. In these three directions, this study proposes four methods, respectively DNANet-DS-1, DNANet-DS-2, DNANet-Att, and DNANet-RB. Two open-source infrared small target datasets, NUDT-SIRST and NUAA-SIRST, were used in this study. The four proposed methods were trained and tested on these two datasets. Among them, DNANetRB significantly outperforms other methods on the NUAA-SIRST dataset, so further experiments were conducted to observe the influence of different network depths on DNANet-RB. The experimental result indicates that when the network depth exceeds a certain threshold, the network can only achieve marginal improvements, but the number of parameters will increase significantly. / Infraröd detektering av små mål används ofta inom områden som militär och säkerhet. U-Net, som är en klassisk semantisk segmenteringsmetod som föreslogs 2015, har visat utmärkt prestanda och robusthet. U-Net lider dock av problemet med att förlora små mål i djupa lager efter flera nedprovningsoperationer. Dilaterad konvolution, som är en speciell konvolution som kan öka det receptiva fältet utan att öka antalet parametrar, anses kunna optimera de problem som orsakas av downsampling. DNANet (Dense Nested Attention Network) valdes som baslinje på grund av dess överlägsna prestanda, men det har fortfarande problemet med målförlust. Denna studie föreslår tre optimeringsriktningar: djup nedsampling ersatt av kaskad dilaterad konvolution, dilaterad rumslig uppmärksamhet och dilaterat restblock. I dessa tre riktningar föreslår denna studie fyra metoder, respektive DNANet-DS-1, DNANet-DS-2, DNANet-Att och DNANet-RB. Två dataset med små infraröda mål med öppen källkod, NUDT-SIRST och NUAA-SIRST, användes i denna studie. De fyra föreslagna metoderna tränades och testades på dessa två datamängder. Bland dem överträffar DNANet-RB betydligt andra metoder på NUAA-SIRST-datasetet, så ytterligare experiment genomfördes för att observera påverkan av olika nätverksdjup på DNANet-RB. Det experimentella resultatet visar att när nätverksdjupet överskrider ett visst tröskelvärde kan nätverket bara uppnå marginella förbättringar, men antalet parametrar kommer att öka avsevärt.

Svenska socialstyrelsen presenterade år 2017 att lungcancer är den vanligaste cancerrelaterade dödsorsaken bland kvinnor i Sverige och den näst vanligaste bland män. Ett sätt att ta reda på om en patient har lungcancer är att en läkare studerar en tredimensionell-röntgenbild av en patients lungor. För att förebygga misstag som kan orsakas av den mänskliga faktorn är det möjligt att använda datorer och avancerade algoritmer för att upptäcka lungcancer. En nätverksmodell kan tränas att upptäcka detaljer och avvikelser i en lungröntgenbild, denna teknik kallas deep structural learning. Det är både tidskrävande och avancerat att skapa en sådan modell, det är därför viktigt att modellen tränas korrekt. Det finns flera studier som behandlar olika nätverksarkitekturer, däremot inte vad förbehandlingstekniken lung-segmentering kan ha för inverkan på en modell av denna signifikans. Därför ställde vi frågan: hur påverkas accuracy och loss hos en konvolutionell nätverksmodell när lung-segmentering appliceras på modellens tränings- och testdata? För att besvara frågan skapade vi flera modeller som använt, respektive, inte använt lung-segmentering. Modellernas resultat evaluerades och jämfördes, tekniken visade sig motverka överträning. Vi anser att denna studie kan underlätta för framtida forskning inom samma och liknande problemområde. / In the year of 2017 the Swedish social office reported the most common cancer related death amongst women was lung cancer and the second most common amongst men. A way to find out if a patient has lung cancer is for a doctor to study a computed tomography scan of a patients lungs. This introduces the chance for human error and could lead to fatal consequences. To prevent mistakes from happening it is possible to use computers and advanced algorithms for training a network model to detect details and deviations in the scans. This technique is called deep structural learning. It is both time consuming and highly challenging to create such a model. This discloses the importance of decorous training, and a lot of studies cover this subject. What these studies fail to emphasize is the significance of the preprocessing technique called lung segmentation. Therefore we investigated how is the accuracy and loss of a convolutional network model affected when lung segmentation is applied to the model’s training and test data? In this study a number of models were trained and evaluated on data where lung segmentation was applied, in relation to when it was not. The final conclusion of this report shows that the technique counteracts overfitting of a model and we allege that this study can ease further research within the same area of study.