Prace badawcze w zakresie Sztucznej Inteligencji i Uczenia Maszynowego
Celem badawczym jest opracowanie metod pozwalających na ukierunkowaną manipulację złożonymi treściami, takimi jak mowa obrazy czy wideo. Kontekstem prac są uwieńczone wieloma spektakularnymi sukcesami badania nad algorytmami generacyjnymi, wykorzystującymi głębokie sieci neuronowe. W trakcie dotychczasowych prac udało się sformułować i pomyślnie wdrożyć koncepcję funkcyjnej kontroli nad modyfikacjami jakościowych atrybutów obrazów i wideo, podsumowaną w artykułach [1, 2]. Bieżące prace są poświęcone między innymi animacji obrazów, dokonywanej na podstawie pojedynczych zdjęć oraz formowania stylu syntetycznej wypowiedzi.
Wykonawcy: Krzysztof Ślot, Paweł Kapusta, Kacper Kubicki, Jacek Kucharski
Celem prac jest określenie, wzorowanej na sieciach neuronowych, jednokierunkowej i wielowarstwowej architektury obliczeniowej złożonej z elementów realizujących funkcje logiki rozmytej. Kontekstem są prowadzone intensywnie na świecie badania nad tzw. ‘wyjaśnialną sztuczną inteligencją’ (Explainable AI, XAI), a efektem prac jest koncepcja L-neuronu [3] – adaptującego się operatora logicznego, stanowiącego element przetwarzający sieci.
Wykonawcy: Jacek Kucharski, Piotr Łuczak, Przemysław Kucharski, Krzysztof Ślot
Celem prac jest umożliwienie efektywnej realizacji algorytmów sztucznej inteligencji w urządzeniach działających autonomicznie, o ograniczonych mocach obliczeniowych i ograniczonych możliwościach połączenia z siecią (tzw. edge-computing). Efektem prac jest sformułowanie koncepcji architektury obliczeniowej [4,5] pozwalającej na realizację złożonych analiz i przeznaczonej do implementacji w specjalizowanych, energooszczędnych układach VLSI. Opracowane algorytmy są obecnie implementowane fizycznie w ramach współpracy z partnerami zagranicznymi w grantach europejskich Horyzont 2020 (projekt MISEL) oraz CHIST-ERA (projekt AiR).
Wykonawcy: Piotr Łuczak, Krzysztof Ślot, Jacek Kucharski
Celem badań jest opracowanie dedykowanych procedur przetwarzania i analizy obrazów cyfrowych, opartych zarówno na klasycznych algorytmach uczenia maszynowego, jak i na głębokich splotowych sieciach neuronowych. Ich celem jest zautomatyzowanie zadań analizy obrazu w określonych domenach, takich jak systemy komputerowego wspomagania medycznej diagnostyki obrazowej [6,7], analiza obrazów okulistycznych czy wspomaganie analiz obrazów geologicznych [8] i dendrologicznych [9]. W oparciu o modele generatywne rozwijane są również techniki mające na celu syntezę uczących danych obrazowych dla głębokich modeli sieci neuronowych dedykowanych segmentacji obrazów.
Wykonawcy: Anna Fabijańska
[1] K. Adamiak, P. Kapusta i K. Ślot, 2020 International Joint Conference on Neural Networks (IJCNN), 2020.1-7. DOI link
[2] K. Ślot, P. Kapusta i J. Kucharski, Neural Computing and Applications, 2021. 33:1079–1090. DOI link
[3] P. Łuczak, P. Kucharski, T. Jaworski, I. Perenc, K. Ślot i J. Kucharski, Sensors, 2021. 21: 6168. DOI link
[4] P. Łuczak, K. Ślot K. i J. Kucharski, IEEE International Joint Conference on Neural Networks IJCNN, 2022. 1-8. DOI link
[5] K. Ślot, P. Łuczak i S. Hausman, Bulletin of the Polish Academy of Sciences: Technical Sciences, 2022. 70: e143552. DOI link
[6] M. Czepita i A. Fabijańska, Computer Methods and Programs in Biomedicine, 2021. 208: 106240. DOI link
[7] A. Kucharski i A. Fabijańska, Biomedical Signal Processing and Control, 2021. 68C: 102805. DOI link
[8] A. Fabijańska, A. Feder i J. Rigde, Computers & Geosciences, 2020. 144: 104584. DOI link
[9] A. Fabijańska A. i M. Danek, Computers and Electronics in Agriculture, 2021. 181: 105941. DOI link