Sztuczna inteligencja w świecie obrazów

Prof. Krzysztof Krawiec: Wiele zastosowań SI, które zaledwie kilka lat temu wydawały się hipotetyczne, dziś jest w zasięgu ręki

Rozpoznawanie obrazów (RO) jest dziś nadzwyczaj dynamicznie rozwijającym się obszarem sztucznej inteligencji, obfitującym w wiele najrozmaitszych zastosowań. To także obszar, w którym – obok przetwarzania języka naturalnego – obserwujemy największy postęp, jeśli chodzi o poprawianie skuteczności systemów.

W efekcie wiele zastosowań SI, które zaledwie kilka lat temu wydawały się hipotetyczne, dziś jest w zasięgu ręki. Należą do nich zastosowania w medycynie, pojazdach autonomicznych, monitoringu, bioidentyfikacji i podobnych.

Na podstawie literatury, źródeł internetowych (baza Google Scholar oraz Scopus) oraz własnego doświadczenia autora udało się sporządzić listę polskich ośrodków i grup badawczych, dla których rozpoznanie obrazu (rozumiane jako część SI, tj. w praktyce ze znacznym udziałem uczenia maszynowego) jest ważnym polem badań podstawowych lub/i stosowanych. W analizie stanu badań autor koncentrował się głównie na ośrodkach i badaczach prowadzących badania podstawowe, ponieważ ośrodków stosujących RO w różnych kontekstach praktycznych (np. medycyna, biologia, farmakologia, kontrola jakości, monitoring, ochrona środowiska, astronomia etc.) jest zbyt wiele, by dało się je przedstawić w syntetycznej postaci.

Poniższy przegląd obejmuje także głównie te osoby i ośrodki, które według rozeznania autora opracowania i na podstawie przeprowadzonej kwerendy praktykują RO z wykorzystaniem podejść typowych dla SI oraz uczenia maszynowego. Lista uporządkowana jest alfabetycznie, według nazwisk kierowników zespołów badawczych. W przypadku każdego zespołu wymieniono kilka głównych obszarów prowadzonych przezeń badań, tytuły wybranych projektów i współpracowników.

Z wyżej wymienionych względów nie należy traktować poniższego wykazu jako kompletnego, zamkniętego obrazu sztucznej inteligencji w dziedzinie rozpoznawania obrazów w Polsce. Nie jest wykluczone, iż niektórzy polscy badacze zajmujący się RO mogli umknąć przeprowadzonej kwerendzie (w szczególności dotyczy to badaczy niesięgających wprost do metod SI oraz naukowców rozpoczynających karierę naukową).

Dr hab. inż. Leszek Chmielewski

SGGW, Katedra Informatyki, Zakład Przetwarzania Obrazów i Rozpoznawania Obiektów

  • Konwencjonalne techniki analizy obrazów, w szczególności transformata Hougha.
  • Zastosowania w detekcji obiektów, analiza obrazów 3D (obrazy LIDAR).

Dr hab. inż. Bogusław Cyganek

Akademia Górniczo-Hutnicza w Krakowie; Wydział Informatyki, Elektroniki i Telekomunikacji; Katedra Elektroniki

  • Rozpoznawanie zmęczenia kierowców pojazdów z wykorzystaniem SSN.
  • Rozpoznawanie znaków drogowych z wykorzystaniem uczenia maszynowego, w tym SSN.
  • Adaptacyjna segmentacja obrazów kolorowych z wykorzystaniem uczenia maszynowego.
  • Uczenie i wykorzystanie klasyfikatorów złożonych w rozpoznawaniu obrazów.

Przykładowe projekty badawcze: Rozpoznawanie obiektów w obrazach o słabej jakości z wykorzystaniem połączonych metod klasyfikacji wzorców oraz algorytmów rekonstrukcji informacji wizyjnej działających w trybie czasu rzeczywistego; Badania nad połączeniem metod tensorowych oraz obliczeń miękkich do rozpoznawania wzorców.

Dr hab. inż. Anna Fabijańska

Politechnika Łódzka; Wydział Elektrotechniki, Elektroniki, Informatyki i Automatyki; Instytut Informatyki Stosowanej

  • Segmentacja tkanek w obrazach mikroskopowych.
  • Segmentacja naczyń krwionośnych w obrazowaniu tomografią komputerową (CT).
  • Wykorzystanie głębokich SSN w estymacji wieku drzew na podstawie analizy słojów.
  • Analiza obrazowania MRI w diagnostyce onkologicznej i innych jednostkach chorobowych.

Prof. dr hab inż. Andrzej Kasiński

Politechnika Poznańska; Wydział Elektryczny; Instytut Automatyki, Robotyki i Inżynierii Informatycznej

  • Detektory i deskryptory cech w robotyce, w szczególności w nawigacji.
  • Detekcja twarzy i oczu z wykorzystaniem metod uczenia maszynowego (kaskady klasyfikatorów).
  • Szybkie implementacje sprzętowe.
  • Nowe architektury SSN (np. spiking neural networks).

Współpracownicy: Piotr Skrzypczyński, Dominik Belter.

Przykładowy projekt badawczy: Precise self-localization of a walking robot on rough terrain using parallel tracking and mapping.

Dr hab. inż. Michał Jan Kawulok

Politechnika Śląska, Wydział Automatyki, Elektroniki i Informatyki

  • Hybrydyzacja metod uczenia maszynowego (w szczególności metody wektorów nośnych, ang. support vector machines) z algorytmami ewolucyjnymi.
  • Zastosowania w algorytmach detekcji i segmentacji skóry (ang. skin detection/segmentation), rozpoznawaniu twarzy, rozpoznawaniu dłoni, gestów i rozpoznawaniu gestów języka migowego.
  • Wykorzystanie algorytmów rojowych do strojenia hiperparametrów głębokich SSN.

Współpracownicy: Jakub Nalepa.

Przykładowy projekt badawczy: Głębokie architektury maszyn wektorów podpierających tworzone z wykorzystaniem algorytmów ewolucyjnych.

Prof. dr hab. inż. Krzysztof Krawiec

Politechnika Poznańska, Wydział Informatyki, Zakład Inteligentnych Systemów Wspomagania Decyzji

  • Algorytmy ewolucyjne w uczeniu się programów analizy obrazów, w zastosowaniach w diagnostyce medycznej, wykrywaniu tablic rejestracyjnych, generycznym rozpoznawaniu obiektów oraz rozpoznawaniu obiektów w obrazowaniu poza pasmem widzialnym (ang. synthetic aperture radar, SAR).
  • SSN w diagnostyce patomorfologicznej (nowotwory ośrodkowego układu nerwowego).
  • Głębokie SSN dla segmentacji obrazowania okulistycznego (fundus imaging oraz optyczna tomografia koherencyjna) oraz detekcji anomalii w tomografii komputerowej płuc.

Współpracownicy: Bartosz Wieloch, Paweł Liskowski.

Przykładowy projekt badawczy: Interferometric Imaging Methods for Investigation of Dynamics of Biological Systems.

Prof. dr hab. inż. Marek Kurzyński

Politechnika Wrocławska, Wydział Elektroniki, Katedra Systemów i Sieci Komputerowych

  • Analiza tekstur z wykorzystaniem technik uczenia maszynowego, w zastosowaniu w diagnostyce medycznej (diagnostyka osteoporozy).
  • Badania podstawowe w obszarze uczenia maszynowego, w szczególności klasyfikatory złożone.

Prof. dr hab. Mariusz Nieniewski

Uniwersytet Łódzki, Wydział Matematyki i Informatyki oraz IPPT PAN

  • Analiza obrazowania medycznego (np. mammogramy, USG), m.in. z wykorzystaniem algorytmów ewolucyjnych.

Prof. dr hab. inż. Andrzej Obuchowicz

Uniwersytet Zielonogórski, Instytut Sterowania i Systemów Informatycznych

  • Segmentacja obrazów patomorfologicznych w diagnostyce raka sutka oraz zastosowanie metod uczenia maszynowego w tym obszarze.
  • Analiza obrazów cytologicznych (patomorfologia).

Dr hab. Lidia Ogiela

Akademia Górniczo-Hutnicza w Krakowie, Wydział Zarządzania, Katedra Informatyki Stosowanej

  • Systemy biometryczne.
  • Interpretacja obrazowania medycznego.
  • Podejścia kognitywne i syntaktyczne do interpretacji obrazu (tzw. cognitive computational intelligence in medical pattern semantic understanding).

Prof. dr hab. inż. Stanisław Osowski

Politechnika Warszawska, Wydział Elektryczny, Instytut Elektrotechniki Teoretycznej i Systemów Informacyjno-Pomiarowych, Zakład Elektrotechniki Teoretycznej i Informatyki Stosowanej

  • Analiza kształtu.
  • Deskryptory fourierowskie i falkowe, SSN.

Prof. dr hab. inż. czł. PAN Witold Pedrycz

Instytut Badań Systemowych PAN (oraz University of Alberta, Kanada)

  • Wykorzystanie systemów rozmytych i obliczeń granularnych w analizie i interpretacji obrazu.
  • Nowe architektury SSN (granular neural networks, self-organizing polynomial neural networks, polynomial-based radial basis function neural networks).
  • Wykorzystanie alternatywnych (względem metod gradientowych) algorytmów uczenia, np. algorytmów rojów cząstek (ang. particle swarm optimization).
  • Zastosowania, głównie w rozpoznawaniu twarzy.

Przykładowy projekt badawczy: Zagadnienie odrzucania w problemie rozpoznawania wzorca: koncepcje, metody, analizy

Prof. dr hab inż. Leszek Rutkowski, czł. rzecz. PAN

Politechnika Częstochowska, Instytut Inteligentnych Systemów Informatycznych

  • Nowe architektury SSN, w tym sieci probabilistyczne i rozmyte.
  • Systemy neuronowo-rozmyte.
  • Klasyfikatory złożone.
  • Analiza pisma ręcznego, zwłaszcza w zastosowaniach do identyfikacji.
  • Segmentacja obrazu, stereowizja.

Współpracownicy: Rafał Scherer, Krzysztof Cpałka, Marcin Korytkowski.

Prof. dr hab. Bogdan Smołka

Politechnika Śląska; Wydział Automatyki, Elektroniki i Informatyki; Instytut Automatyki; Zakład Analizy Eksploracyjnej Danych

  • Adaptacyjne filtrowanie medianowe, redukcja szumów.
  • Segmentacja obrazów struktur ośrodkowego układu nerwowego.
  • Analiza obrazów USG.
  • Rozpoznawanie emocji na podstawie obrazu twarzy.

Przykładowy projekt badawczy: Detekcja i rozpoznawanie niewerbalnych wskaźników decepcji.

Prof. dr hab. Janusz Antoni Starzyk

Wyższa Szkoła Informatyki i Zarządzania z siedzibą w Rzeszowie, Wydział Informatyki Stosowanej (także: Ohio University, Athens, USA)

  • Nowe architektury sieci neuronowych, ze szczególnym uwzględnieniem pamięci (np. neural episodic memory).
  • Systemy agentowe.
  • Zastosowania w nawigacji robotów.

Przykładowy projekt badawczy: Opracowanie efektywnych mechanizmów percepcyjnych robota wykorzystujących uczenie motywowane oraz samoorganizującą się pamięć asocjacyjną.

Prof. dr hab. inż. Paweł Strumiłło

Politechnika Łódzka, Instytut Elektroniki, Zakład Elektroniki Medyczne

  • Interfejsy człowiek – komputer w zastosowaniach dla osób niepełnosprawnych.
  • Zastosowania w kontroli jakości oraz przetwarzaniu sygnałów biomedycznych.

Prof. dr hab. inż. Ryszard Tadeusiewicz

Akademia Górniczo-Hutnicza w Krakowie, Katedra Automatyki i Inżynierii Biomedyczne

  • Sieci neuronowe w zastosowaniach w RO.
  • Odkrywanie wiedzy w RO, zwłaszcza w kontekście zastosowań medycznych (obrazowanie SPECT, obrazowanie rentgenowskie).

Współpracownicy: Ewa Dudek-Dyduch, Lidia Ogiela, Marek Ogiela.

Prof. dr Jacek Żurada, czł. zagr. PAN

Społeczna Akademia Nauk, Filia w Warszawie, Wydział Nauk Humanistycznych (oraz: University of Louisville, Kentucky, USA)

  • Alternatywne architektury, modele i algorytmy uczenia SSN.
  • Ekstrakcja cech, w szczególności nienadzorowana ekstrakcja cech.
  • Uczenie nienadzorowane SSN, w szczególności architektur autoenkoderowych (ang. autoencoders).

Badania przemysłowe i wdrożeniowe w biznesie

Wraz z postępem w naukach podstawowych i rozwojem technologii zwiększa się udział podmiotów komercyjnych w obszarze B+R w rozpoznawaniu obrazu. Zasięg tego trendu jest jednak trudny do oszacowania z racji ograniczonego dostępu do informacji (z oczywistych względów pilnie strzeżonych przez wiele firm).

Niemniej z informacji dostępnych publicznie wynika, że zaawansowane badania w obszarze przetwarzania i analizy obrazu prowadzą między innymi następujące podmioty (w porządku alfabetycznym):

Podobnie jak w przypadku innych części tego opracowania, listy tej nie należy uważać za zamkniętą.

Materiał jest opracowaniem pracy prof. Krzysztofa Krawca pt. „Stan i perspektywy rozwoju sztucznej inteligencji w obszarze rozpoznawania obrazów i widzenia komputerowego” (Poznań 2018), przygotowanej dla OPI PIB.