The task of a question answering (QA) system is to automatically answer questions asked by humans, expressed in a natural language. In recent years, platforms, where QA systems are applicable, have emerged on the web and gained in popularity. Related to the answering of complex questions, with subjective or ambiguous answers, there is a growing interest in understanding how semantic features can be utilized further to enhance the capability of the systems. In this thesis, it was investigated how sentiment information contained in questions and answers influenced the performance of a QA system built using logistic regression. In addition to the sentiment model, an additional baseline model, which did not consider sentiment, was constructed and used as a reference point for evaluation. The models were trained and tested on the popular Stanford Question Answering Dataset 2.0 and evaluated using accepted metrics for measurement of search-effectiveness. The results show that there was a slight but valuable increase in precision, suggesting that the sentiment model’s ability to detect non-answers was improved. The experiments also showed that differences in sentiment intensity between a question and a candidate answer lowered the probability that the candidate answer was correct. The increased performance encourages a more in-depth and detailed analysis of how sentiment can be efficiently utilized to improve and understand QA systems further. / Uppgiften för ett frågebesvarande system är att automatiskt besvara frågor uttryckta i ett naturligt språk. De senaste åren har plattformar, där frågebesvarande system är tillämpbara, vuxit fram och blivit allt mer populära. I takt med detta har det även uppstått ett ökat intresse för att förstå hur sentiment kan användas för att förbättra frågebesvarande systems förmåga att besvara komplexa frågor med tvetydiga eller subjektiva svar. I denna uppsats undersöktes inflytandet som sentiment i frågor och svar hade på ett frågebesvarande system byggt med logistisk regression. Utöver sentimentmodellen byggdes även en baslinjemodell som inte tog hänsyn till sentiment. Denna modell användes som referens för att utvärdera sentimentmodellens förmåga. Båda modellerna var tränade och testade på datasetet Stanford Question Answering Dataset 2.0 och utvärderade med hjälp av välkända metoder för att evaluera sökeffektivitet. Resultaten visade en liten, men värdefull, ökning i precision, vilket tyder på att sentimentmodellens förmåga att upptäcka icke-svar förbättrades. Experimenten visade även att en skillnad i sentimentintensitet mellan en fråga och ett potentiellt svar sänkte sannolikheten att svaret var rätt. Den ökade förmågan uppmuntrar till fortsatt djupare analys för att förstå hur sentiment kan användas för att förbättra frågebesvarande system.

Measuring face similarity is a task in computer vision that is different from face recognition. It aims to find an embedding in which similar faces have a smaller distance than dissimilar ones. This project investigates two different Siamese networks to explore whether these specific networks outperform face recognition methods on face similarity. The best accuracy is from a Siamese convolution neural network, which is 65.11%. Moreover, the best results in a similarity ranking task are obtained from Siamese geometry-aware metric learning. Besides, this project creates a novel dataset with facial image pairs for face similarity. / Mätning av ansiktslikhet är en uppgift i datorseende som skiljer sig från ansiktsigenkänning. Det syftar till att hitta en inbäddning där liknande ansikten har ett mindre avstånd än olika ansikten. Detta projekt undersöker två olika siamesiska nätverk för att utforska om dessa specifika nätverk överträffar ansiktsigenkänningsmetoder på ansiktslikhet. Den bästa noggrannheten är från ett Siamesiskt faltningsnätverk, vilket är 65,11%. Dessutom erhålls de bästa resultaten i en likhetsrankningsuppgift från Siamesisk geometrimedveten metrisk inlärning. Projektet skapar också ett nytt dataset med ansiktsbildpar för ansiktslikhet.

Handling occlusion between real and virtual objects is a challenging problem in Augmented Reality (AR) applications. Incorrect and inaccurate occlusion handling may cause confusion in users’ perception which leads to non-realistic and non-immersive AR experiences. Even though there are important research examples and implementations on this topic, they typically suffer from important limitations. The method presented in this thesis takes both raw depth and color information from an RGB-D sensor in order to solve occlusion in unknown AR contexts. The novelty of this method is the automatic trimap generation which is based on the color distribution information of the real scene. Moreover, the proposed method can operate using the information from only the latest frame, or efficiently use the information from multiple frames. In the second case, the knowledge of the previous frame output is used to improve the trimap generation of the latest frame. Experimental evaluations of several scenes demonstrate that this approach largely improves automatic trimap generation using both the RGB and depth information. Furthermore, the final proposed method is compared with some recent state of the art approaches in terms of quality and accuracy, showing that it overcomes some of the known limitations. / Hantering av ocklusion mellan verkliga och virtuella objekt är ett utmanande problem i applikationer med augmenterad verklighet (AR). Felaktig ocklusionshantering kan orsaka förvirring i användarnas uppfattning vilket leder till icke-realistiska AR-upplevelser. Trots att det finns forskningsexempel och implementeringar av framgång inom detta område så har de ofta betydliga begränsningar. Metoden som presenteras i detta arbete tar både rå djup- och färginformation från en RGB-D-sensor för att lösa ocklusion i okända AR-sammanhang. Innovationen med denna metod är den automatiska trimapgenerationen som bygger på informationen i färgdistributionen i den verkliga scenen. Dessutom kan den föreslagna metoden fungera med hjälp av informationen från endast den senaste bilden, eller effektivt använda informationen från flera bilder. I det andra fallet används information från den tidigare bildutmatningen för att förbättra trimapgenerationen av den senaste bilden. Experimentella utvärderingar av flera scener visar att denna metod i stor utsträckning förbättrar automatisk trimapgenerering med både RGB och djupinformation. Vidare jämförs den föreslagna metoden med några av de andra främsta tillvägagångssätt med avsende på kvalitet och noggrannhet, vilket visar att den övervinner några av de kända begränsningarna.

Today’s software development heavily relies on the use of third-party libraries. However, some libraries have a rich set of functionalities where only a few of them are used. This leads to an unnecessary complex codebase that needs maintenance. This thesis compares two methods used to calculate the ratio of used code in the third-party libraries. The first method uses the already existing tool JTombstone, which analyses the code statically. This static approach always examines the whole program. However, it overestimates the result. The second method uses a dynamic approach. This method always underestimates the result, because, only the part of the program which is executed will be examined. The dynamic code analyser tool modifies all classes which contains in the third-party library. At the beginning of every method a print statement is added, which prints the signature of the current method. In this way, the list of all executed methods is generated. The findings of the thesis are that the first approach always yields higher value and the difference between the two methods decreases while the code coverage increases. The thesis cannot state which method is the best; however, a good solution is to combine both methods to generate an interval which bound the correct value. / Dagens mjukvaruutveckling förlitar sig mycket på användningen av tredjepartsbibliotek. Emellertid innehåller många av biblioteken mycket funktionalitet men bara en liten del av dem används. Det här skapar onödigt komplex mjukvara som måste underhållas. I den här uppsatsen jämförs två olika metoder som används för att beräkna andelen använd kod i tredjepartsbibliotek. Den första metoden använder JTombstone, det här verktyget analyserar koden statiskt. Eftersom den analyserar koden statiskt kommer hela projektet alltid bli analyserat, däremot kommer verktyget beräkna ett för högt värde. Den andra metoden bygger istället på en dynamisk utvärdering av koden. När man använder ett dynamiskt tillvägagångsätt så utvärderas bara den delen av koden som kördes, det här leder till att programmet kommer att generera ett för lågt resultat. Verktyget som analyserar koden dynamiskt modifierar alla klasser som tillhör tredjepartsbiblioteket. I början av varje metod lägger verktyget till en utskrift, som skriver ut metodsignaturen för den specifika metoden. På så sätt erhålls en lista av metoderna som har blivit anropade. Uppsatsen kom fram till att den första metoden alltid genererar ett större värde. Resultaten visar också att skillnaden mellan de två metoderna minskar när testerna testar en större del av koden. Med de resultat som genererades går det inte att avgöra vilken av de två metoder som är bäst. En bra lösning är att kombinera metoderna och med hjälp av de två resultaten skapa en övre och undre gräns för det korrekta värdet.

Anomaly detection is the classification of data points that do not adhere to the familiar pattern; in previous studies there existed a need for extensive human interactions with either labelling or sorting normal and abnormal data from one another. In this thesis, we want to go one step further and apply machine learning techniques on time-series data in order to have a deeper understanding of the properties of a given data point without any sorting and labelling. In this thesis, a method is presented that can successfully find anomalies in both real and synthetic datasets. The method uses a combination of three algorithms from various disciplines, Hierarchical temporal memory and Restricted Boltzmann machines from machine learning and Autoregressive integrated moving average from regression. Each algorithm is specialised in finding a particular type of anomalies. The combination finds all anomalies with little to no gap from the occurrence of an anomaly to its detection. / Avvikelsedetektering är klassificeringen av datapunkter som inte följer det kända mönstret; tidigare studier krävde omfattande mänskliga interaktioner med antingen märkning eller sortering av normala och onormala data från varandra. I detta examensarbete vill vi gå ett steg längre och tillämpa maskininlärningsteknik på tidsseriedata för att få en djupare förståelse för egenskaperna hos en given datapunkt utan någon sortering och märkning. I detta examensarbete presenteras en metod som framgångsrikt kan hitta anomalier i både reella och syntetiska dataset. Metoden använder en kombination av tre algoritmer från olika discipliner, Hierarchical temporal memory och Restricted Boltzmann machines från maskininlärning och Autoregressive integrated moving average från regression. Varje algoritm är specialiserad på att hitta en viss typ av anomalier. Kombinationen finner alla anomalier med liten eller inget avstånd från förekomst av en anomali till dess detektion.

Convolutional neural networks are typically applied to image analysis problems. We investigate whether a simple convolutional neural network can be trained to evaluate chess positions by means of predicting Stockfish (an existing chess engine) evaluations. Publicly available data from lichess.org was used, and we obtained a final MSE of 863.48 and MAE of 12.18 on our test dataset (with labels ranging from -255 to +255). To accomplish better results, we conclude that a more capable model architecture must be used. / Konvolutionella neuronnät används ofta för bildanalys. Vi undersöker om ett enkelt sådant nätverk kan tränas att evaluera schackpositioner genom att förutspå värderingar från Stockfish (en existerande schackdator). Vi använde offentligt tillgänglig data från lichess.org, och erhöll en slutgiltig MSE 863.48 och MAE 12.18 på vår testdata (med data i intervallet -255 till +255). För att uppnå bättre resultat drar vi slutsatsen att en mer kapabel modellarkitektur måste användas.

Chaos engineering is about testing the resilience of systems in production to see if they perform as expected during changing conditions. Container usage is becoming more common and as such applying principles of chaos engineering to their usage is important. In this thesis we investigate something that every containerized application uses, system calls and their possible perturbations consisting of the tuple (s, e, d), a system call, error code and delay. The perturbations consist of 9 different system calls, 7 error codes and 3 possible delays. Targets for these perturbations are mainly containerized HTTP-based applications. Included with this is the need for observability and as such monitoring is created for system calls, HTTP and resource based metrics. For this purpose an application called ChaosOrca was developed with support for both monitoring and system call perturbations on containers. We find that for the nine system calls and four applications evaluated the system call perturbations that have an effect on some of the applications were: open, poll, read, readv, select, sendf ile64, write and writev. With the only perturbation able to result in a crash being the perturbation of the select system call with an error code. Furthermore, we find that the metrics collected are enough to reason about the system behavior, where having a network protocol specific metric is useful but not always necessary. / Kaosteknik handlar om att testa ett systems robusthet i produktion för att se hur det kan hantera förändrade förhållanden. Containeranvändning är något som blir mer vanligt och att då applicera principerna för kaosteknik kan anses viktigt. I den här uppsatsen undersöker vi något som alla applikationer som kör i containrar använder, systemanrop och dess möjliga störningskombinationer på formatet (s, e, d), ett systemanrop, en felkod och en fördröjning. Störningskombinationerna består av 9 olika systemanrop, 7 felkoder och 3 olika fördröjningar. Mål för dessa störningskombinationer var huvudsakligen HTTPbaserade applikationer. Inkluderat för detta är ett behov för observerbarhet och som följd skapas övervakning av systemanrop, HTTP och systemresurser. För att uppfylla kraven utvecklades en mjukvara kallad ChaosOrca med support för både övervakning och modifiering av systemanrop. Vi kommer fram till att för de nio systemanrop och fyra applikationer som utvärderats så var de som hade en effekt på någon av applikationerna: open, poll, read, readv, select, sendf ile64, write and writev. Den enda systemanropstörning som orsakade en krasch var select med en felkod. Fortsättningsvis finner vi att de mätvärden som samlats in är tillräckliga för att kunna utvärdera applikationernas beteende, där de nätverksprotokoll specifika mätvärdena är givande men inte alltid behövs.

This work aims to evaluate the effects of visualization of climate impact data. The study was performed together with the logistics department at Sandvik Materials Technology (SMT), Sweden. SMT has sought to develop their sustainability strategy and was therefore suitable as a collaboration partner. The development of the design was done in consultation with SMT to fulfil their needs, for example the data was chosen and provided by SMT. In addition to this, research was done on effective visualization designs. From this, a sketched prototype was created which furthermore developed into a website. Human Computer Interaction (HCI) methods, such as think aloud interviews, were used in the evaluation process. These interviews focused on understanding the current mindset towards sustainability. After two to three weeks, a survey was sent out with similar questions as during the first survey and interviews. The purpose of this survey was to be able to compare the results between the interviews and the answers on the survey, and recognize any changes in mindset. The results from these comparisons were that the mindsets did not seem to have changed significantly. However, the results show that there is a change in the perception of the individual responsibility, both as a department and person. It should be pointed out that the time provided for the evaluation process was limited. To strengthen these results, it is suggested that the evaluation time extends and that the frequency of usage is consistent and high level. / Detta arbete syftar till att evaluera effekterna av visualisering av data över klimatpåverkan. Arbetet utfördes tillsammans med logistikavdelningen på Sandvik Materials Technology (SMT), Sverige. SMT har för avsikt att utveckla deras hållbarhetsstrategi och var därför passande som samarbetspartner. Utvecklingen av designen för visualiseringen utfördes genom konsultation med SMT för att uppfylla deras behov, exempelvis valdes data ut, samt förseddes, av SMT. Utöver detta gjordes undersökningar av effektiva metoder för designer för visualisering. Utifrån detta skapades en skissad prototyp som därefter utvecklades till en hemsida. Metoder inom människodatainteraktion (MDI), såsom think aloud-intervjuer, använder inom utvärderingsprocessen. Dessa intervjuer fokuserade på att förstå den nuvarande situationen för tankesättet kring hållbarhet. Efter två till tre veckor skickades en enkät ut, med liknande frågor som under intervjuerna. Syftet med denna enkät var att möjliggöra för jämförelse mellan resultaten från intervjuerna och svaren på enkäten, för att adressera eventuella skillnader i tankesätt. Resultaten från dessa jämförelser var att tankesättet inte hade förändrats signifikant. Resultaten visade dock att det finns en förändring i uppfattningen av det individuella ansvaret, både vad gäller avdelningen och individen. Det bör påpekas att tiden som fanns tillgänglig för utvärderingsprocessen var begränsad. För att stärka dessa resultat föreslås det att utvärderingstiden förlängs och att frekvensen för användandet av hemsidan är konsistent och på en hög nivå.

This study examines two different approaches to dialogue management system in order to achieve dynamic utterances in human-robot social interactions. This was done in order to determine whether Robot Assisted Language Learning is viable as a solution to the current teacher shortage situation in Sweden. One approach is a selection-based approach with the use of a dialogue tree with sentence embedding while the other approach is a neural network approach with two different models; transformer and seq2seq. Results from the user testing show that both implementations were not particulary successful, although the selection-based method performed better than neural network approaches and shows promise for future research. Due to the results not reaching a satisfying level of performance and the existence of cheaper virtual education tools RALL might not be the most appropriate solution for current day Sweden but is promising as a long-term solution to the continuing trend of teacher declination and increasing labor costs. / Denna studie undersöker två olika metoder för dialoghanteringssystem för att uppnå dynamiska yttrande i mänskliga-robot sociala interaktioner. Detta gjordes för att avgöra om Robot Assisted Language Learning (RALL) är lämplig som en lösning till den nuvarande situation i Sverige angående lärarbrist inom SFI. Ett tillvägagångssätt som tagits är ett urvalsbaserad med användandet av ett dialogträd med sentence embedding medan det andra tillvägagångssättet är genom Neural Network där två olika modeller tagits fram; en transformer modell och en seq2seq modell. Resultat från användartest visar att båda implementationerna inte var särskilt framgångsrika. Dock utfördes den urvalsbaserade metoden bättre än Neural Network metoder och är lovande för framtida forskning. På grund av att resultaten inte nått en tillfredsställande prestationsnivå och förekomsten av billigare virtuella utbildningsverktyg kanske inte är RALL den mest lämpliga lösningen för den nuvarande situationen i Sverige gällande lärarbrist inom SFI, men visar potential som en långsiktig lösning.

Simultaneous Localization and Mapping (SLAM) is one of the fundamental problems to solve for any autonomous vehicle or robot. The SLAM problem is for an agent to incrementally build a map of its surroundings while keeping track of its location within the map, using various sensors. The goal of this thesis is to demonstrate the differences and limitations of different odometry methods when used as the prior motion estimate for the common SLAM algorithm EKF-SLAM. Inspired by autonomous racing, the algorithms were evaluated for especially difficult driving scenarios such as high velocities and while the car was skidding. Three different odometry algorithms that all rely on different sensors were implemented; The feature based stereo visual odometry algorithm Libviso2, the lidar odometry algorithm Range Flow-based 2D Odometry (RF2O), and wheeled odometry fused with measurements of the vehicles angular velocity from a gyroscope. The different algorithms were evaluated separately on real data that was gathered by running a modified RC car equipped with the necessary sensors around different racing track configurations. The car was driven for different levels of aggressiveness, where more aggressive driving implies a higher velocity and skidding. The SLAM estimate of the vehicle position and cone locations were evaluated in terms of mean absolute error (MAE) and computational time, for all motion priors separately on each track. The results show that Libviso2 provides an accurate prior motion estimate with consistent performance over all test cases. RF2O and the wheeled odometry approach could in some of the cases provide a prior motion estimate that was sufficient for accurate SLAM performance, but performed poorly for other cases. / Simultan lokalisering och kartläggning (SLAM) är ett grundläggande problem att lösa för alla typer av autonoma fordon eller robotar. SLAM handlar om problemet för en agent att inkrementellt konstruera en karta av sin omgivning samtidigt som den håller koll på sin position inom kartan, med hjälp av diverse sensorer. Målet med detta examensarbete är att demonstrera skillnader och begränsningar för olika metoder att uppskatta bilens momentana förflyttning, när denna momentana förflyttning används som en fösta skattning av bilens rörelse för SLAM-algoritmen EKF-SLAM. Utvärderingen grundar sig i autonom motorsport och de undersökta algoritmerna utvärderades under speciellt svåra förhållanden så som hög hastighet och när bilen sladdar. Tre olika metoder för att skatta bilens momentana förflyttning implementerades där samtliga metoder baseras på data från olika sensorer. Dessa var den visuella metoden Libviso2 som använder stereokameror, den flödesbaserade metoden RF2O som använder en 2D lidar, samt en metod som baseras på hjulens rotationshastighet som kombinerades med fordonets uppmätta vinkelhastighet från ett gyroskop. De olika algoritmerna utvärderades separat på data som genererats genom att köra en modifierad radiostyrd bil runt olika banor utmarkerade av trafikkoner, samt för olika nivåer av aggressiv körstil. Estimeringen av bilens bana och konernas positioner jämfördes sedan separat i termer av medelabsolutfel samt beräkningstid för varje metod och bana. Resultaten visar att Libviso2 ger en bra skattning av den momentana förflyttningen och presterar konsekvent över samtliga tester. RF2O och metoden baserad på hjulens rotationshastighet var i vissa fall tillräckligt bra för korrekt lokalisering och kartläggning, men presterade dåligt i andra fall.