<p> Wet chemical neutron activation analysis procedures for Au., Pd and Ir together with a non-destructive gamma-counting procedure for Mn are described and applied to the determination of these metals in three Antarctic (E21 -17, E13-3 and E 17-10) and one Caribbean (P63 04-9) deep-sea cores. A total of 49 samples were analyzed. The average values of Au, Pd, Ir in ppb and Mn in Wt.% (together with standard deviations of the mean are: (see table in theses) No large differences exist between Au, Pd and Ir concentrations in different types of deep-sea sediments nor in cores from different areas and their values are within the general concentration range found in most crustal rocks. A general discussion of the sources of precious metals in deep-sea sediments is given. The most important precious metal source in the cores studied in this work is detrital material from land. The contribution of extraterrestrial material to the Au and Pd content of deep-sea sediments is not important but in cores with depositional rates as low as a few tenths of a mm per thousand years, extraterrestrial material may account for more than half of the total Ir content. From the non-detrital Ir content of deep-sea manganese nodules the accretion rate of extraterrestrial material over the. entire surface of the earth is calculated to be about 200 tons per day with an upper limit of 310 tons per day. The constancy of Ir content in deep-sea cores as a function of depth suggests that the influx of extraterrestrial material during the past 3 to 4 million years was probably fairly constant. </p> / Thesis / Master of Science (MSc)

The subject of fractal geometry has exploded over the past 40 years with the availability of computer generated images. It was seen early on that there are many interesting questions at the intersection of probability and fractal geometry. In this dissertation we will introduce two random models for constructing fractals and prove various facts about them.

Syftet med denna empiriska studie är att undersöka vilka förutsättningar som ges för elevers begreppsförståelse i läromedel inom addition och subtraktion i årskurs 1. Metoder som använts för att sammanställa resultatet skedde via en innehållsanalys av fyra matematikläromedel, muntliga intervjuer med lärare och enkätformulär. Resultatet från studien visar att det finns förutsättningar i samtliga matematikläromedel, men att de ges i olika utsträckningar och med viss variation inom områdena representationsformer och räknemetoder. Slutsatsen är att läraren är avgörande för hur läromedlet fyller sin funktion samt potential i förhållande till de kunskapsmålen som finns i kursplanen inom matematik. / The aim of this empirical study is to investigate what conditions are given for conceptual understanding in addition and subtraction in mathematics textbooks in grade 1, primary school. Methods used in this study are content analysis of four mathematics textbooks in grade 1, interviews, and digital questionnaires forms. The results show that conditions exist in all mathematics teaching textbooks to varying degrees and with some variation in representation forms and counting methods. The conclusion is that it is the teacher who is crucial for how textbooks fulfill their function and potential in relation to the learning criteria in the curriculum in mathematics.

In this thesis the linearity of the ATLAS track-counting luminosity measurement is studied using two different sets Monte Carlo simulated crossings of proton-proton bunches. A primary high-momentum, or hard, interaction must be chosen for the Monte Carlo simulation. The first of the two sets is simulated using Z→µµ as primary hard scatter in the bunch crossings while the second set is simulated with a single neutrino particle gun as the primary hard scatter. The luminosity can be determined by track counting from the relationship between the number of reconstructed charged particle tracks and the number of proton-proton interactions per bunch crossing in the ATLAS detector. The relationship between the two is theoretically linear but is affected by non-linear effects from the presence of fake tracks and the reduced tracking efficiency at large µ.  The linearity is studied and compared for eight different sets of track selection criteria called working points. Four of the working points were used during Run 2 of the Large Hadron Collider and four are introduced for Run 3.  It is found that the use of the physical hard scatter, Z→µµ, in the Monte Carlo generation results in the appearance of tracks at all interaction rates, to a degree that does not agree with experiment. The use of the single neutrino particle gun for the simulation of hard scatter interactions is found to be more suitable for the track counting studies. Two of the working points introduced for Run 3, called TightModHighPtStrictLumi and TightModFullEtaHighPtStrictLumi, are found to outperform the rest of the working points. / I denna uppsats studeras linjäriteten av en luminositet-mätningsmetod kallad track-counting som används vid ATLAS-detektorn. Linjäriteten studeras för två olika uppsättningar av simulerade proton-protonkollisioner. Kollisionerna produceras med hjälp av Monte Carlo-simuleringar. Den första uppsättningen simuleras användandes Z→µµ som mest högenergetisk interaktion i alla event medan den andra uppsättningen istället simuleras användandes en högenergetisk neutrinopartikel i alla event. Med hjälp av track-counting bestäms luminositeten genom förhållandet mellan antalet rekonstruerade laddade partikelspår och antalet proton-protoninteraktioner per "bunch crossing" i ATLAS-detektorn. I teorin är relationen mellan de två linjär, men track-counting metoden påverkas av icke-linjära effekter såsom falskt rekonstruerade partikelspår och minskad effektivitet vid stora µ-värden. Linjäriteten studeras och jämförs för åtta olika uppsättningar av kriterier som appliceras på partikelspåren. Linjäriteten jämförs for åtta olika uppsättningar av spårkriterier som kallas "Working points". Fyra Working points har tidigare använts under den andra körningen av "the Large Hadron Collider" medan fyra Working points är introducerade inför den tredje körningen.   Användningen av uppsättningen kollisioner som simuleras med Z→µµ som mest högenergetisk interaktion resulterar i spår vid alla µ-värden till en grad som inte överensstämmer med förväntningar. Användningen av neutrinopartikeln som mest högenergetsik interaktion vid simulering av event visar sig vara mer lämplig för studier som berör track-counting. Två av de Working points som introducerades inför den tredje körningen av "The Large Hadron Collider" visar sig prestera bättre än de andra. Dessa Working points har namnen TightModHighPtStrictLumi och TightModFullEtaHighPtStrictLumi.

No description available.

Fitness tracking is a rapidly growing market as more people desire to take better control over their lives. And the growing availability of smartphones with sensitive sensors makes it possible for anyone to take part. This project aims to implement a Step Counter and create a model for Human Activity Recognition (HAR) to classify activities such as walking, running, cycling, ascending and descending stairs, and standing still, using sensor data from handheld devices. The Step Counter is implemented by processing acceleration data and finding and validating steps. HAR is implemented using three machine learning algorithms on processed sensor data: Random Forest (RF), Support Vector Machine (SVM), and Artificial Neural Network (ANN). The step counter achieved 99.48% accuracy. The HAR models achieved 99.7%, 99.6%, and 99.5% accuracy on RF, ANN, and SVM, respectively. / Aktivitetsspårning är en snabbt växande marknad när fler människor önskar att ta bättre kontroll över deras liv. Den växande tillgängligheten på smartphones med känsliga sensorer gör det möjligt för vem som helst att delta. Detta projekt siktar på att implementera en stegräknare samt skapa en modell för mänsklig aktivitetsigenkänning (HAR) för att klassificera aktiviteter såsom att promenera, springa, cykla, gå upp eller ner för trappor och stå stilla, med användning av sensordata från handhållna enheter. Stegräknaren implementeras genom att bearbeta accelerationsdata och hitta samt validera steg. HAR implementeras med hjälp av tre maskininlärningsalgoritmer på bearbetad sensordata: Random Forest (RF), Support Vector Machine (SVM) och Artificial Neural Network (ANN). Stegräknaren uppnådde en noggrannhet på 99.48%. HAR-modellerna uppnådde en noggrannhet på 99.7%, 99.6% samt 99.5% med RF, ANN och SVM. / Kandidatexjobb i elektroteknik 2022, KTH, Stockholm

Managing crowd density has become an immense challenge for public authorities due to population growth and evolving human dynamics. Crowd counting estimates the number of individuals in a given area or scene, making it a practical technique applicable in real-world scenarios such as surveillance and traffic control. It contributes to urban planning, retail analytics, and security systems by providing insights into population dynamics and aiding in anomaly detection. This thesis focuses on implementing and evaluating a selective kernel mechanism in crowd counting. The selective kernel block, introduced in a computer vision research known as the Selective Kernel (SK) Network [1], presents an adapted convolution layer as a substitute for the traditional convolution neural network (CNN) architecture. This adaptation has the potential to enhance object detection and image regression tasks. Building upon the C3 framework [2], the thesis applies the selective kernel mechanism to three state-of-the-art crowd counting designs: ResNet [3], CSRNet [4], and SANet [5], resulting in the creation of SK adaptive models. The evaluation process mainly involves collecting and comparing Mean Absolute Error (MAE) and Mean Squared Error (MSE), as well as crowd statistics and crowd density maps. These evaluations are performed using the ShanghaiTech crowd Part A (random high-density crowd images from the website) and Part B (street views in similar scenes) datasets [6]. In 6 comparisons with two different datasets, SK adaptive models were found to have better prediction results in 4 of them against the original models. In conclusion, the SK block offers several advantages: firstly, it enhances feature extraction performance, especially when pretrained with large datasets; secondly, it improves image regression in more straightforward dataset scenarios. On the downside, its impact is limited or detrimental in sparse datasets. This finding suggests that the selective kernel approach holds promise in supporting and improving crowd counting in the high-density group and street view scenarios, facilitating effective public management. / Att hantera folktäthet har blivit en enorm utmaning för offentliga myndigheter på grund av befolkningsökning och förändrade mänskliga dynamiker. Folkräkning uppskattar antalet individer i ett givet område eller scen, vilket gör det till en praktisk teknik som kan tillämpas i verkliga scenarier som övervakning och trafikstyrning. Genom att erbjuda insikter i befolkningsdynamik och hjälpa till med avvikelsedetektering bidrar folkräkning till stadsplanering, detaljhandelsanalys och säkerhetssystem. Denna avhandling fokuserar på implementeringen och utvärderingen av den selektiva kernelmekanismen inom folksamlingars räkning. Den selektiva kernelblocket, introducerat i en datorseendeforskning känd som Selective Kernel Network [1], presenterar en anpassad faltningsskikt som en ersättning för den traditionella konvolutionsneuralnätverk-arkitekturen. Denna anpassning har potential att förbättra objektdetektion och bildregression. Byggande på C3 - ramverket [2] tillämpar avhandlingen den selektiva kernelmekanismen på tre toppmoderna modeller inom folksamlingars räkning: ResNet [3], CSRNet [4], och SANet [5], vilket resulterar i skapandet av SK-adaptiva modeller. Evalueringen innefattar främst insamling och jämförelse av medelabsolutfel och medelkvadratfel, samt statistik om folksamlingar och densitetskartor. Dessa utvärderingar utförs med hjälp av dataseten ShanghaiTech crowd Part A (slumpmässiga bilder av hög densitet från webbplatsen) och Part B (gatuvyer i liknande scenarier) [6]. Totalt genomförs sex jämförelser med två olika dataset, och SK-adaptiva modeller visar bättre prognosresultat i fyra av dem jämfört med de ursprungliga modellerna. Sammanfattningsvis erbjuder SK-blocket flera fördelar: för det första förbättrar det prestandan för funktionsextrahering, särskilt när det förtränas med stora dataset; för det andra förbättrar det bildregression i enklare dataset-scenarier. Å andra sidan är dess påverkan begränsad eller till och med skadlig i glesa dataset. Generellt sett tyder detta på att den selektiva kärnan har lovande att stödja och förbättra publikräkningen i scenarierna med hög täthet och gatuvy, och därigenom underlätta effektiv offentlig förvaltning.

3D scene understanding is an important problem that has experienced great progress in recent years, in large part due to the development of state-of-the-art methods for 3D object detection. However, the performance of 3D object detectors can suffer in scenarios where extreme occlusion of objects is present, or the number of object classes is large. In this paper, we study the problem of inferring 3D counts from densely packed scenes with heterogeneous objects. This problem has applications to important tasks such as inventory management or automatic crop yield estimation. We propose a novel regression-based method, CountNet3D, that uses mature 2D object detectors for finegrained classi- fication and localization, and a PointNet backbone for geo- metric embedding. The network processes fused data from images and point clouds for end-to-end learning of counts. We perform experiments on a novel synthetic dataset for inventory management in retail, which we construct and make publicly available to the community. We also have a proprietary dataset we've collected of real-world scenes. In addition we run experiments to quantify the uncertainty of the models and evaluate the confidence of our predic- tions. Our results show that regression-based 3D counting methods systematically outperform detection-based meth- ods, and reveal that directly learning from raw point clouds greatly assists count estimation under extreme occlusion.

No description available.

No description available.