Datorseende (CVL)

Välkommen till avdelningen Datorseende (CVL), en del av Institutionen för systemteknik vid Linköpings universitet.

Autonoma system datorseendeFoto: Göran Billeson

Datorseende baseras på modellering av människans synsinne och är ett delområde av artificiell intelligens, AI.

Det är allmänt vedertaget att 80% av det vi uppfattar är baserat på vad vi ser (DOI 10.3233/NRE-2010-0599), men modelleringen av synsinnet är en systematiskt underskattad vetenskaplig utmaning – en implikation av Moravecs paradox ”Vi är minst uppmärksamma på vad våra sinnen gör bäst” (Minsky 1986).

Då synsinnet i hög grad är intuitivt är det svårt att greppa myriaden av interdisciplinära problem som är knutna till datorseende.

Forskningen hos avdelningen för Datorseende, CVL, har ett starkt fokus på teori och metoder, särskilt inom maskininlärning, signalbehandling och tillämpad matematik.

De resulterande metoderna tillämpas inom områden där tekniska system förväntas samexistera med, och därmed förutse, mänskliga handlingar. Självkörande bilar som delar trafikområde och interagerar med människor, hållbart skogs- och jordbruk, bevakning av växthusgaser samt klassificering och övervakning av djur är några av tillämpningsområdena.

CVL:s forskningsområden täcker ett brett spektrum av utmaningar inom maskininlärning för datorseende och robotperception:

  • Tidskontinuerlig modellering av 3D-rörelse
  • Skattning av pose och 3D-struktur
  • Few-shot och svagt övervakad inlärning
  • Geometrisk djupinlärning
  • Människo- och djurrörelseanalys
  • Medicinsk bildalstring och analys
  • Kvantmaskininlärning
  • Förstärkningsinlärning
  • Fjärranalys
  • Semiövervakat och inkrementellt lärande
  • Skattning av scenflöde
  • Osäkerhetsrepresentation
  • Video och semantisk segmentering
  • Seende för handling

Kurser

Kurser som ges vid Avdelningen för datorseende

Inriktningar

Inriktning mot Datorseende och Signalanalys

Examensarbeten

Gör ditt examensarbete vid Avdelningen för datorseende

Följ CVL i sociala medier

Twitter @CvlIsy


Kontakt

Avdelningschef

Samordnare

Besöksadress
Linköpings universitet
Campus Valla
B-huset, ingång 29

Karta (Mazemap)

Postadress
Linköpings universitet
NAMN
Institutionen för systemteknik, ISY
581 83 Linköping

Forskning inom WASP Datorseende

Andra forskningssamarbeten

Nyheter

Tomas Landelius och Carolina Natel de Moura.

Fokusperioden resulterade i nya samarbeten for klimatet

Under hösten 2024 samlades återigen forskare från hela världen vid Linköpings universitet under ELLIITs fem veckor långa fokusperiod. Den här gången med målet att hitta och fördjupa samarbeten inom klimatforskning med hjälp av maskininlärning.

Fredrik Ronquist vid myrstack.

Outforskade insekter ska fram i ljuset

Den absoluta merparten av världens miljontals insektsarter är fortfarande inte beskrivna och vi vet alltför lite om deras evolution och påverkan på våra ekosystem. Det ska forskningsprojektet DarkTree ändra på.

Deltagare lyssnar på föredrag.

Symposium med syfte att förbättra klimatet

Under hösten 2024 stod Linköpings universitet återigen värd för ELLIITs fem veckor långa fokusperiod. Gästforskarprogrammet siktade den här gången på större bredd inom det tvärvetenskapliga med årets tema maskininlärning för klimatvetenskap.

Publikationer

2025

William Ljungbergh, Adam Tonderski, Joakim Johnander, Holger Caesar, Kalle Astrom, Michael Felsberg, Christoffer Petersson (2025) NeuroNCAP: Photorealistic Closed-Loop Safety Testing for Autonomous Driving COMPUTER VISION - ECCV 2024, PT XXX, s. 161-177 (Konferensbidrag) Vidare till DOI
Jin Zhang, Ruiheng Zhang, Yanjiao Shi, Zhe Cao, Nian Liu, Fahad Khan (2025) Learning Camouflaged Object Detection from Noisy Pseudo Label COMPUTER VISION-ECCV 2024, PT I, s. 158-174 (Konferensbidrag) Vidare till DOI
Georg Bokman, Johan Edstedt, Michael Felsberg, Fredrik Kahl (2025) Affine Steerers for Structured Keypoint Description COMPUTER VISION - ECCV 2024, PT LXXXVI, s. 449-468 (Konferensbidrag) Vidare till DOI
Saeed Anwar, Muhammad Tahir, Chongyi Li, Ajmal Mian, Fahad Khan, Abdul Wahab Muzaffar (2025) Image colorization: A survey and dataset Information Fusion, Vol. 114, Artikel 102720 (Artikel i tidskrift) Vidare till DOI

2024

Hanan Ghani, Muzammal Naseer, Fahad Khan, Salman Khan (2024) MedContext: Learning Contextual Cues for Efficient Volumetric Medical Segmentation MEDICAL IMAGE COMPUTING AND COMPUTER ASSISTED INTERVENTION - MICCAI 2024, PT XII, s. 229-239 (Konferensbidrag) Vidare till DOI

Medarbetare inom avdelningen Datorseende

Om institutionen