Bildbehandling och effektiv representation av data för visuell maskininlärning

Inom området datorseende finns i dag inlärningsalgoritmer för maskininlärning med hög noggrannhet och prestanda. Det behövs dock stora mängder data för en effektiv inlärning. Vi undersöker nu möjligheten att använda och skapa realistiska syntetiska set av träningsdata.

Dessutom undersöker vi variationer av abstrakta representationer av data för att ytterligare förstå hur data på olika abstraktionsnivåer påverkar inlärningen i djupa neurala nätverk.

Vi tittar också på hur detta kan användas både för att optimera genereringen av data och hur data används.

Länk till publikation

Realistisk bildsyntes för visuell maskininlärning för förarlösa fordon (bild 1) tillsammans med abstraherad representation av data från samma vy (bild 2 och 3)

Illustration: 7D Labs. Bildbehandling och effektiv representation av data för visuell maskininlärning

Forskare

Gabriel Eilertsen

Biträdande universitetslektor, Docent

Jonas Unger

Professor

Extern samarbetspartner

Publikation är framtagen i ett samarbete med Magnus Wrenninge, 7D Labs . 

https://7dlabs.com/

MIT-forskning inom WASP

Visualisering för förståelse och utveckling av maskininlärning

Olika typer av maskininlärning används för en lång rad av tillämpningar. Som i de flesta stora datadrivna system är det svårt att se och förstå hur de underliggande modellerna fungerar, hur bra de är och hur exakt de löser problemen.

Visualisering av HE-färjade vävnadsbilder

Utveckling av maskininlärning för komplex medicinsk bildanalys

Trots att maskininlärningsalgoritmer, särskilt de som nyttjar neurala nätverk, har visat på lovande resultat inom många medicinska bildanalysuppgifter finns det ett antal utmaningar som måste lösas innan tekniken kan användas kliniskt.

Verktyg för att träna ett maskininlärningssystem i att klassificera vävnader

Interaktion med autonoma agenter för medicinskt beslutsstöd

Målet för forskningen är att studera interaktionen mellan människor och datorer genom att utveckla en miljö som bidrar till ett effektivt samarbete mellan klinikern, människan, och den lärande maskinen.

Visualisering av data i fokus och periferi i industriella kontrollrum

Mängden data från drift och underhåll som flödar in till kontrollrummen ökar kraftigt. Inom ett doktorandprojekt studeras utmaningar kring informationsöverflöd och arbetet bedrivs i två riktningar.

Automatisk mönsterigenkänning och visualisering för beslutsstöd

Att samla in data från autonoma system spelar en nyckelroll för att förstå hur systemet fungerar och för att säkerställa att det fungerar. Utmaningar är här storleken, komplexiteten och den stora mängden data som oavbrutet genereras in i systemet.

WASP vid MIT

Forskningsmiljön vid avdelningen Medie- och informationsteknik, Campus Norrköping, grundar sig på mer än tjugo års forskning inom visualisering och interaktion med anknytning till artificiell intelligens, autonoma system och programvarukonstruktion.