The sites I visit turned into routines a long time ago. Everywhere someone has decided what should be there and what will not fit. I retreat into my daydreams, away from everyday life. A longing for something different, something wonderful. I decided to go where I've never been, searching for something unknown. Sometimes the escape and search is similar, and with the same goal. This is a story about a journey to a new place, which is familiar in more ways than one. It's about everything that is designated, but by whom and for whom? About possibilities, to see what the world could be, potential, dreams and hope. The project aims to implement a fantasy, and show a different reality. I found a place on the border between urban buildings and vast nature. An end, a beginning and a passage. There is a tree, a symbol of knowledge and vegetation, a premonition of what's coming. The closest we come to untouched nature begins on the other side of the slope. But here, where I stand, everything is decided. I understand that my world is synthetic. My project is a site-specific design in Akalla, where I created a tree wig and a stone landscape.

Introduktion: Syntetisk media omfattar teknik som berör många områden, t ex syntetisk text- och röstbearbetning, videomanipulation, bildmanipulation, digitala människor och ansikten. Under de senaste åren har den tekniska utvecklingen accelererat ytterligare, till en informations- och kommunikationsteknologi (IKT) som omfattar möjligheten att använda syntetisk media alltmer. Detta har lett till implementering av nya informations- och kommunikationsverktyg för hälsokonsumenten, bl. a med förhoppning om ökad individuell empowerment. Det är således intressant att undersöka hur syntetisk media beskrivs vara möjligt att användas hälsofrämjande inom folkhälsoarbete samt beskriva hur det påverkar empowerment hos hälsokonsumenter. Syfte: Syftet för detta examensarbete har varit att redogöra för vilka syntetisk media som används idag som informations- och kommunikationsverktyg inom hälsopromotion och prevention samt undersöka deras konsekvenser på hälsokonsumentens empowerment. Metod: En strukturerad litteraturöversikt med tematisk analys enligt Braun &. Clarks (2006) modell. Resultat: Totalt har 14 vetenskapliga artiklar ingått som urval i den tematiska analysen. Efter tematisering har slutligen 5 teman kunnat presenteras; Hälsokonsumentens karakteristika, Målområden för digital hälsa, Digitalt verktyg-syntetisk media, Intervention genom digitalt verktyg-syntetisk media, Konsekvenser för hälsokonsumenten. Slutsats: Syntetisk media kan verka som ett digitalt hälsofrämjande informations- och kommunikationsverktyg och har möjlighet att genom olika digitala interventioner rikta sig till hälsokonsumenter med potential för att stärka deras empowerment. Hälsokonsumenterna har beskrivits som en heterogen grupp, med olika åldrar, kön och bakgrund. I dagsläget är det till arbetets syfte relaterade urvalet av studier dock begränsat. Det finns därmed ett behov av fortsatta studier som följer utvecklingen av syntetisk media i relation till folkhälsoarbete beträffande utformning, effekt, hållbarhet och säkerhet. / Introduction: Synthetic media includes technologies such as synthetic text and voice processing, video manipulation, image manipulation, digital people and faces. In recent years, technological development has accelerated further, to an information and communication technology (ICT) that increasingly embraces the possibility of using synthetic media. This has led to the implementation of new tools for the health consumer, in the hope of increased individual empowerment. It is therefore interesting to investigate synthetic media in the context of public health work and empowerment in health consumers. Aim: The aim of this thesis has been to account for which synthetic media is today used as information and communication tools in health promotion and disease prevention and to investigate their consequences on the empowerment of the health consumer. Methods: A structured literature review with thematic analysis according to Braun & Clark's (2006) model. Results: Totally 14 scientific articles have been selected for the thematic analysis. All together 5 themes could be presented: Characteristics of the health consumer, Target areas for digital health, Digital tools-synthetic media, Intervention through digital tools-synthetic media, Consequences for the health consumer. Conclusion: Synthetic media can act as a digital health promoting information and communication tool and target health consumers through various digital interventions with the potential to strengthen their empowerment. Health consumers have been described as a heterogeneous group. At present, there are limited studies available related to the study aim. There is therefore a need for further studies of synthetic media in relation to public health work related to design, efficacy, sustainability and safety.

In the area of Traffic Sign Recognition (TSR), deep learning models are trained to detect and classify images of traffic signs. The amount of data available to train these models is often limited, and collecting more data is time-consuming and expensive. A possible complement to traditional data acquisition, is to generate synthetic images with a generative machine learning model. This thesis investigates the use of denoising diffusion probabilistic models for generating synthetic data of one or multiple traffic sign classes, when providing different amount of real images for that class (classes). In the few-sample method, the number of images used was from 1 to 1000, and zero images were used in the zero-shot method. The results from the few-sample method show that combining synthetic images with real images when training a traffic sign classifier, increases the performance in 3 out of 6 investigated cases. The results indicate that the developed zero-shot method is useful if further refined, and potentially could enable generation of realistic images of signs not seen in the training data.

With increasing world tensions and improvements of satellites and their sensors, the interest and possibility of using space and satellites for defensive purposes has increased greatly. However, not much research has been conducted into the needs and possibilities of satellite constellations over Sweden, especially using SAR and optical sensors combined with AI object detection. This thesis provides insight in to the needs and requirements to achieve certain coverage and gap times and explores different constellation design methods to do so. This is done by combining large scale tests performed with genetic algorithm and a dual-axis propagator with theoretical and analytical methods. Results show that for micro-satellites under 100 kg based on current commercial technology, it is found that between 24 to 63 satellites are needed for 1 hour gap times depending on what combination of SAR and optical satellites are used. The genetic algorithm was found to not generate optimal constellations as the number of satellites increased beyond 12. It was however useful in mapping out possibilities and finding certain optimal parameters such as the inclination. The dual-axis propagator tested for its low processing load was found to be good for coverage analysis and estimating the shapes of the orbits. It was noted to have large positional errors however, limiting its use to analysis and not full constellation design. / Med ökande världsspänningar och förbättringar av satelliter och deras sensorer har intresset och möjligheterna att använda rymden och satelliter för försvarssyften ökat avsevärt. Dock har inte mycket forskning gjorts om behoven och möjligheterna med satellitkonstellationer över Sverige, särskilt när det gäller användningen av SAR och optiska sensorer i kombination med AI-objektdetektering. Denna avhandling ger insikt i behoven och kraven för att uppnå viss täckning och tidsgap samt utforskar olika metoder för konstellationsdesign för att uppnå detta. Detta görs genom att kombinera storskaliga tester med genetiska algoritmer och en dual-axis propagator med teoretiska och analytiska metoder. Resultaten visar att för mikrosatelliter under 100 kg, baserat på nuvarande kommersiell teknik, krävs mellan 24 och 63 satelliter för att uppnå gapptider på 1 timme, beroende på vilken kombination av SAR- och optiska satelliter som används. Det konstaterades att genetiska algoritmen inte tillförlitligt kunde hitta optimala konstellationer när antalet satelliter ökade bortom 12 st. Dualaxelpropagatorn, som testades för sin låga processbelastning, ansågs vara bra för täckningsanalys och uppskattning av omloppsbanornas former. Den hade dock stora positionsfel, vilket begränsade dess användning till analys och inte fullständig konstellationsdesign.

The field of generative graph models has seen increased popularity during recent years as it allows us to model the underlying distribution of a network and thus recreate it. From allowing anonymization of sensitive information in social networks to data augmentation of rare diseases in the brain, the ability to generate synthetic data has multiple applications in various domains. However, most current methods face the bottleneck of trying to generate the entire adjacency matrix and are thus limited to graphs with less than tens of thousands of nodes. In contrast, large real-world graphs like social networks or transaction graphs can extend significantly beyond these boundaries. Furthermore, the current scalable approaches are predominantly based on stochasticity and do not capture local structures and communities. In this paper, we propose Graphwave Edge-Linking CELL or GELCELL, a novel three-step architecture for generating graphs at scale. First, instead of constructing the entire network, GELCELL partitions the data and generates each cluster separately, allowing for efficient and parallelizable training. Then, by encoding the nodes, it trains a classifier to predict the edges between the partitions to patch them together, creating a synthetic version of the original large graph. Although it does suffer from some limitations due to necessary constraints on the cluster sizes, the results showed that GELCELL, given optimized parameters, can produce graphs with reasonable accuracy on all data tested, with the largest having 400 000 nodes and 1 000 000 edges. / Generativa grafmodeller har sett ökad popularitet under de senaste åren eftersom det möjliggör modellering av grafens underliggande distribution, och vi kan på så sätt återskapa liknande kopior. Förmågan att generera syntetisk data har ett flertal applikationsområden i en mängd av områden, allt från att möjligöra anonymisering av känslig data i sociala nätverk till att utöka mängden tillgänglig data av ovanliga hjärnsjukdomar. Dagens metoder har länge varit begränsade till grafer med under tiotusental noder, då dessa inte är tillräckligt skalbara, men grafer som sociala nätverk eller transaktionsgrafer kan sträcka sig långt utöver dessa gränser. Dessutom är de nuvarande skalbara tillvägagångssätten till största delen baserade på stokasticitet och fångar inte lokala strukturer och kluster. I denna rapport föreslår vi ”Graphwave EdgeLinking CELL” eller GELCELL, en trestegsarkitektur för att generera grafer i större skala. Istället för att återskapa hela grafen direkt så partitionerar GELCELL all datat och genererar varje kluster separat, vilket möjliggör både effektiv och parallelliserbar träning. Vi kan sedan koppla samman grafen genom att koda noderna och träna en modell för att prediktera länkarna mellan kluster och återskapa en syntetisk version av originalet. Metoden kräver vissa antaganden gällande max-storleken på dess kluster men är flexibel och kan rymma domänkännedom om en specifik graf i form av informerad parameterinställning. Trots detta visar resultaten på varierade träningsdata att GELCELL, givet optimerade parametrar, är kapabel att genera grafer med godtycklig precision upp till den största beprövade grafen med 400 000 noder och 1 000 000 länkar.

Vision is an important tool for us humans and significant effort has been put into creating solutions that let us measure how we use it. Most common among the techniques to measure gaze direction is to use specialised hardware such as infrared eye trackers. Recently, several Convolutional Neural Network (CNN) based architectures have been suggested yielding impressive results on single Red Green Blue (RGB) images. However, limited research has been done around whether using several sequential images can lead to improved tracking performance. Expanding this research to include low frequency and low quality RGB images can further open up the possibility to improve tracking performance for models using off-the-shelf hardware such as web cameras or smart phone cameras. GazeCapture is a well known dataset used for training RGB based CNN models but it lacks sequences of images and natural eye movements. In this thesis, a geometric gaze estimation model is introduced and synthetic data is generated using Unity to create sequences of images with both RGB input data as well as ground Point of Gaze (POG). To make these images more natural appearing domain adaptation is done using a CycleGAN. The data is then used to train several different models to evaluate whether temporal information can increase accuracy. Even though the improvement when using a Gated Recurrent Unit (GRU) based temporal model is limited over simple sequence averaging, the network achieves smoother tracking than a single image model while still offering faster updates over a saccade (eye movement) compared to averaging. This indicates that temporal features could improve accuracy. There are several promising future areas of related research that could further improve performance such as using real sequential data or further improving the domain adaptation of synthetic data. / Synen är ett viktigt sinne för oss människor och avsevärd energi har lagts ner på att skapa lösningar som låter oss mäta hur vi använder den. Det vanligaste sättet att göra detta idag är att använda specialiserad hårdvara baserad på infrarött ljus för ögonspårning. På senare tid har maskininlärning och modeller baserade på CNN uppnått imponerande resultat för enskilda RGB-bilder men endast begränsad forskning har gjorts kring huruvida användandet av en sekvens av högupplösta bilder kan öka prestandan för dessa modeller ytterligare. Genom att uttöka denna till bildserier med lägre frekvens och kvalitet kan det finnas möjligheter att förbättra prestandan för sekventiella modeller som kan använda data från standard-hårdvara såsom en webbkamera eller kameran i en vanlig telefon. GazeCapture är ett välkänt dataset som kan användas för att träna RGB-baserade CNN-modeller för enskilda bilder. Dock innehåller det inte bildsekvenser eller bilder som fångar naturliga ögonrörelser. För att hantera detta tränades de sekventiella modellerna i denna uppsats med data som skapats från 3D-modeller i Unity. För att den syntetiska datan skulle vara jämförbar med riktiga bilder anpassades den med hjälp av ett CycleGAN. Även om förbättringen som uppnåddes med sekventiella GRU-baserade modeller var begränsad jämfört med en modell som använde medelvärdet för sekvensen så uppnådde den tränade sekventiella modellen jämnare spårning jämfört med enbildsmodeller samtidigt som den uppdateras snabbare vid en sackad (ögonrörelse) än medelvärdesmodellen. Detta indikerar att den tidsmässiga information kan förbättra ögonspårning även för lågfrekventa bildserier med lägre kvalitet. Det finns ett antal intressanta områden att fortsätta undersöka för att ytterligare öka prestandan i liknande system som till exempel användandet av större mängder riktig sekventiell data eller en förbättrad domänanpassning av syntetisk data.

Quality inspection is an essential part of almost any industrial production line. However, designing customized solutions for defect detection for every product can be costlyfor the production line. This is especially the case for short-series production, where theproduction time is limited. That is because collecting and manually annotating the training data takes time. Therefore, a possible method for defect detection using only synthetictraining data focused on geometrical defects is proposed in this thesis work. The methodis partially inspired by previous related work. The proposed method makes use of aninstance segmentation model and pose-estimator. However, this thesis work focuses onthe instance segmentation part while using a pre-trained pose-estimator for demonstrationpurposes. The synthetic data was automatically generated using different data augmentation techniques from a 3D model of a given object. Moreover, Mask R-CNN was primarilyused as the instance segmentation model and was compared with a rival model, HTC. Thetrials show promising results in developing a trainable general-purpose defect detectionpipeline using only synthetic data

Out-of-distribution detection considers methods used to detect data that deviates from the underlying data distribution used to train some machine learning model. This is an important topic, as artificial neural networks have previously been shown to be capable of producing arbitrarily confident predictions, even for anomalous samples that deviate from the training distribution. Previous work has developed many reportedly effective methods for out-of-distribution detection, but these are often evaluated on data that is semantically different from the training data, and therefore does not necessarily reflect the true performance that these methods would show in more challenging conditions. In this work, six unsupervised out-of- distribution detection methods are evaluated and compared under more challenging conditions, in the context of classification of semantically similar image data using deep neural networks. It is found that the performance of all methods vary significantly across the tested datasets, and that no one method is consistently superior. Encouraging results are found for a method using ensembles of deep neural networks, but overall, the observed performance for all methods is considerably lower than in many related works, where easier tasks are used to evaluate the performance of these methods. / Begreppet “out-of-distribution detection” (OOD-detektion) avser metoder vilka används för att upptäcka data som avviker från den underliggande datafördelningen som använts för att träna en maskininlärningsmodell. Detta är ett viktigt ämne, då artificiella neuronnät tidigare har visat sig benägna att generera godtyckligt säkra förutsägelser, även på data som avviker från den underliggande träningsfördelningen. Tidigare arbeten har producerat många välpresterande OOD-detektionsmetoder, men dessa har ofta utvärderats på data som är semantiskt olikt träningsdata, och reflekterar därför inte nödvändigtvis metodernas förmåga under mer utmanande förutsättningar. I detta arbete utvärderas och jämförs sex oövervakade OOD-detektionsmetoder under utmanande förhållanden, i form av klassificering av semantiskt liknande bilddata med hjälp av djupa neuronnät. Arbetet visar att resultaten för samtliga metoder varierar markant mellan olika data och att ingen enskild modell är konsekvent överlägsen de andra. Arbetet finner lovande resultat för en metod som utnyttjar djupa neuronnätsensembler, men överlag så presterar samtliga modeller sämre än vad tidigare arbeten rapporterat, där mindre utmanande data har nyttjats för att utvärdera metoderna.

Large datasets are a crucial requirement to achieve high performance, accuracy, and generalisation for any machine learning task, such as prediction or anomaly detection, However, it is not uncommon for datasets to be small or imbalanced since gathering data can be difficult, time-consuming, and expensive. In the task of collecting vehicle sensor time series data, in particular when the vehicle has an abnormal behaviour, these struggles are present and may hinder the automotive industry in its development. Synthetic data generation has become a growing interest among researchers in several fields to handle the struggles with data gathering. Among the methods explored for generating data, generative adversarial networks (GANs) have become a popular approach due to their wide application domain and successful performance. This thesis focuses on generating multivariate time series data that are similar to vehicle sensor readings from the air pressures in the brake system of vehicles with an abnormal behaviour, meaning there is a leakage somewhere in the system. A novel GAN architecture called TimeGAN was trained to generate such data and was then evaluated using both qualitative and quantitative evaluation metrics. Two versions of this model were tested and compared. The results obtained proved that both models learnt the distribution and the underlying information within the features of the real data. The goal of the thesis was achieved and can become a foundation for future work in this field. / När man applicerar en modell för att utföra en maskininlärningsuppgift, till exempel att förutsäga utfall eller upptäcka avvikelser, är det viktigt med stora dataset för att uppnå hög prestanda, noggrannhet och generalisering. Det är dock inte ovanligt att dataset är små eller obalanserade eftersom insamling av data kan vara svårt, tidskrävande och dyrt. När man vill samla tidsserier från sensorer på fordon är dessa problem närvarande och de kan hindra bilindustrin i dess utveckling. Generering av syntetisk data har blivit ett växande intresse bland forskare inom flera områden som ett sätt att hantera problemen med datainsamling. Bland de metoder som undersökts för att generera data har generative adversarial networks (GANs) blivit ett populärt tillvägagångssätt i forskningsvärlden på grund av dess breda applikationsdomän och dess framgångsrika resultat. Denna avhandling fokuserar på att generera flerdimensionell tidsseriedata som liknar fordonssensoravläsningar av lufttryck i bromssystemet av fordon med onormalt beteende, vilket innebär att det finns ett läckage i systemet. En ny GAN modell kallad TimeGAN tränades för att genera sådan data och utvärderades sedan både kvalitativt och kvantitativt. Två versioner av denna modell testades och jämfördes. De erhållna resultaten visade att båda modellerna lärde sig distributionen och den underliggande informationen inom de olika signalerna i den verkliga datan. Målet med denna avhandling uppnåddes och kan lägga grunden för framtida arbete inom detta område.

Recently, a variety of machine learning techniques have been applied to different healthcare sectors, and the results appear to be promising. One such sector is healthcare planning, in which patient data is used to produce statistical models for predicting the load on different units of the healthcare system. This research introduces an attempt to design and implement a privacy-preserving synthetic data generation method adapted explicitly to patients’ health data and for healthcare planning. A Privacy-preserving Conditional Generative Adversarial Network (PPCGAN) is used to generate synthetic data of Healthcare events, where a well-designed noise is added to the gradients in the training process. The concept of differential privacy is used to ensure that adversaries cannot reveal the exact training samples from the trained model. Notably, the goal is to produce digital patients and model their journey through the healthcare system. / Nyligen har en mängd olika maskininlärningstekniker tillämpats på olika hälso- och sjukvårdssektorer, och resultaten verkar lovande. En sådan sektor är vårdplanering, där patientdata används för att ta fram statistiska modeller för att förutsäga belastningen på olika enheter i sjukvården. Denna forskning introducerar ett försök att utforma och implementera en sekretessbevarande syntetisk datagenereringsmetod som uttryckligen anpassas till patienters hälsodata och för vårdplanering. Ett sekretessbevarande villkorligt generativt kontradiktoriskt nätverk (PPCGAN) används för att generera syntetisk data från hälsovårdshändelser, där ett väl utformat brus läggs till gradienterna i träningsprocessen. Begreppet differentiell integritet används för att säkerställa att motståndare inte kan avslöja de exakta träningsproven från den tränade modellen. Målet är särskilt att producera digitala patienter och modellera deras resa genom sjukvården.