Fotografi av Gabriel Eilertsen

Gabriel Eilertsen

Biträdande universitetslektor, Docent

Min forskning fokuserar på maskininlärning för att förstå, manipulera och skapa bilder, med applikationer inom datorgrafik och medicinsk bilddiagnostik.

Djupinlärning och bild

Jag har en doktorsexamen i datorgrafik och bildbehandling, med fokus på high dynamic range (HDR) bildbehandling och maskininlärning. Jag är för närvarande AI/MLX biträdande universitetslektor i Wallenberg AI, Autonomous Systems and Software Program (WASP). Jag är del i Analytic Imaging Diagnostics Arena (AIDA), som är en nationell arena för forskning och innovation kring AI för medicinsk bilddiagnostik, samt anknuten forskare till Centrum för medicinsk bildvetenskap och visualisering (CMIV).

Min forskning är inriktad på maskininlärning, och särskilt genom djupinlärning, för datorseende och bildbehandling. Forskningen omfattar både tillämpade problem inom datorgrafik och medicinsk diagnostik, såväl som mer grundläggande problem inom bildgenerering och datacentrerad djupinlärning. Exempel på aktuella forskningsprojekt är:

Syntetiska bilder för maskininlärning

Vi utforskar olika metoder för att generera syntetiska bilder för träning av djupa neurala nätverk. Detta inkluderar både konventionella metoder inom datorgrafik och djup generativ modellering, och olika kombinationer av dessa två (som neural rendering). Vi undersöker tekniker för datacentrerad maskininlärning med hjälp av syntetisk data, för augmentering, anonymisering och testning. Jag leder ett CENIIT-projekt inom generativ djupinlärning för datacentrerad medicinsk bildbehandling. För mer information, se projektsida.

High dynamic range imaging

Jag har en bakgrund inom high dynamic range (HDR) bildbehandling, med projekt relaterade till tonmapping, komprimering, utvärdering och deep learning-baserad HDR-bildrekonstruktion. Vår senaste forskning inkluderar utvärdering av metoder för deep learning-baserad HDR-rekonstruktion. Vi visar hur opålitliga befintliga utvärderingsprotokoll är och föreslår tekniker för förbättrad korrelation mellan objektiva mått och perceptuella experiment.

Publikationer

2024

George Baravdish, Gabriel Eilertsen, Rym Jaroudi, Tomas Johansson, Lukáš Malý, Jonas Unger (2024) A Hybrid Sobolev Gradient Method for Learning NODEs Operations Research Forum, Vol. 5, s. 1-39, Artikel 91 (Artikel i tidskrift) Vidare till DOI
Gabriel Eilertsen, Daniel Jönsson, Jonas Unger, Anders Ynnerman (2024) Model-invariant Weight Distribution Descriptors for Visual Exploration of Neural Networks en Masse EuroVis 2024 - Short Papers (Konferensbidrag) Vidare till DOI
Amirhossein Ahmadian, Yifan Ding, Gabriel Eilertsen, Fredrik Lindsten (2024) Unsupervised Novelty Detection in Pretrained Representation Space with Locally Adapted Likelihood Ratio International Conference on Artificial Intelligence and Statistics 2024, Proceedings of Machine Learning Research (Konferensbidrag)
Milda Poceviciute, Gabriel Eilertsen, Claes Lundström (2024) Benefits of spatial uncertainty aggregation for segmentation in digital pathology Journal of Medical Imaging, Vol. 11 (Artikel i tidskrift) Vidare till DOI

2023

Milda Poceviciute, Gabriel Eilertsen, Claes Lundström (2023) Spatial uncertainty aggregation for false negatives detection in breast cancer metastases segmentation MEDICAL IMAGING 2023, Artikel 124710W (Konferensbidrag) Vidare till DOI

Organisation

Nyheter