Jag forskar inom maskininlärning, och framför allt djupinlärning, för datorseende och bildbehandling. Forskningen berör både applicerade problem inom datorgrafik och medicinsk diagnostik, samt mer fundamentala problem inom visualisering och förståelse av djupinlärning.
Min bakgrund är inom datorgrafik och bildbehandling. Jag doktorerade 2018 med en doktorsavhandling som berör olika aspekter av bilder med högt dynamiskt omfång (HDR, fr. engelskans high dynamic range). Jag har forskat inom både display och distribution av HDR-video, såväl som maskininlärning för att återskapa HDR-bilder från konventionellt fotograferade bilder.
Att visualisera och förstå neuronnät
Neuronnät representeras av en stor uppsättning optimerade vikter. För att förstå och visualisera dessa undersöker vi och jämför stora mängder tränade nätverk. Vi tittar på hur olika tekniker för optimering påverkar vikterna, och hur vikterna kan jämföras för att förstå skillnader mellan olika nätverk. Målet är dels att få en bättre förståelse för hur neuronnät fungerar, men också att kunna visualisera och jämföra olika modeller.
Generativ AI inom medicin
Inom medicinsk AI är en av de begränsande faktorerna mängden tillgänglig data. Det det är både dyrt och tidskrävande att samla in och annotera data, och insamlingen är beroende av upptagna experter. Dessutom är det problematiskt att tillgängliggöra data av privat och känslig natur. Vi undersöker tekniker för att med hjälp av generativ maskininlärning skapa stora mängder syntetisk data som återbildar riktig data, men som inte inskränker på dess anonymitet.
