Zespół Uczenia Maszynowego

Zespół Uczenia Maszynowego specjalizuje się w zagadnieniach projektowania i doboru algortymów i modeli uczenia maszynowego do projektów aplikacyjnych, przede wszystkim związanych z wizją komputerową i szeregami czasowymi. W Zespole prowadzone są również badania podstawowe z obszaru metod uczenia maszynowego w obrazowaniu hiperspektralnym, a ostatnio przede wszystkim związane z uczeniem głębokim -- zagadnienia ,,martwych neuronów'', continual i reinforcement learning. Wywodząc się z Zespołu Systemów Multimedialnych, członkowie zespołu mają duże doświadczenie z zakresu analizy/drążenia danych (m.in. obrazy hiperspektralne, dane biomedyczne, obrazy 3D, dane sygnałowe), metod przetwarzania (m.in. statystyczne klasyfikatory, architektury uczenia głębokiego) jak i technicznych/organizacyjnych aspektów realizacji projektów badawczych i wdrożeniowych (m.in. proces przygotowania i wsparcie wdrożenia systemów uczenia maszynowego dla konkretnych problemów).

Aktualnie realizowane tematy:

  1. WaterPrime (2021-) nr POIR.01.01.01-00-1414/20, projekt którego celem jest opracowanie i wdrożenie platformy inteligetnej analizy danych w celu wykrywania wycieków i monitorowania stanu sieci wodociągowych. Projekt jest na etapie pliotażowego uruchomienia (3 przedsiębiorstwa wodociągowe, 20+ stref wodociągowych, ok. 10000 monitorowanych urządzeń), i już na tym etapie przyczynił się do wykrycia szeregu awarii i znacznego zmniejszenia strat wody (więcej informacji https://www.iitis.pl/pl/project/ekosystem-intelligence-augmentation-dla-analityk%C3%B3w-sieci-dystrybucji-wody, https://aiut.com/en/waterprime-artificial-intelligence-to-help-cities-detect-water-leaks/, https://doi.org/10.2166/ws.2023.118)
  2. Wspomaganie diagnostyki wybranych chorób przy pomocy biomarkerów, projekt realizowany wspólnie z Kliniką Psychiatrii Śląskiego Uniwersytetu Medycznego w Tarnowskich Górach. Celem projektu są badania pliotażowe metody parametrycznej oceny natężenia objawów m.in. schizofrenii i choroby afektywnej dwubiegunowej przy pomocy sygnałów HRV i akcelerometrów, w celu wsparcia diagnostyki medycznej (więcej informacji https://doi.org/10.1101/2023.08.04.23293640, https://zenodo.org/records/8171266)

Najważniejsze poprzednio realizowane tematy:

  1. Active Shape Network - seria projektów związanych z wykorzystaniem probablistycznych algorytmów grafowych (ang. probabilistic graphical models) do przetwarzania obrazowania hiperspektralnego (więcej infromacji https://doi.org/10.1016/j.forsciint.2021.110701, https://doi.org/10.3390/rs12162653, https://doi.org/10.1016/j.culher.2018.01.003, https://doi.org/10.1016/j.isprsjprs.2016.08.011)
  2. Seria projektów wdrożeniowych związanych z projektowaniem komponentów uczenia maszynowego do diagnostyki problemów w systemach dystrybucji paliw płynnych (więcej infromacji https://www.iitis.pl/pl/project/system-gromadzenia-i-analizy-danych-o-charakterze-strumieniowym-dedykowanego-dla-sieci, https://www.iitis.pl/pl/project/badanie-i-rozw-j-wdro-e-demonstracyjnych-inteligentnego-systemu-zarz-dzania-stanami-paliw-i, https://www.iitis.pl/en/project/opracowanie-i-budowa-modeli-oraz-metod-implementacji-inteligentnych-system%C3%B3w-monitorowania)
  3. Seria projektów związanych z przetwarzaniem obrazów, w tym w inspekcji przemysłowej i dla wsparcia operatora BSP. W tym ostatnim przypadku projekt ,,Moduł stabilizacji i śledzenia opracowany dla bezzałogowego systemu powietrznego FlyEye produkowanego przez Flytronic sp. z~o.o.'' miał na celu opracowanie algorytmów oraz implementacja komponentów przetwarzania obrazu dla zadań stabilizacji i śledzenia wskazanych przez operatora BSP. Demonstracja systemu FlyEye uzyskała wyróżnienie Ministra Spraw Wewnętrznych na targach Międzynarodowy Salon Przemysłu Obronnego Kielce 2010 r.

(Pełna lista publikacji i projektów - https://www.iitis.pl/person/pglomb, https://www.iitis.pl/pl/research-group/zesp%C3%B3%C5%82-uczenia-maszynowego)

Kierownik: 

Członkowie zespołu: 

Submitted

2024

2023

Strzoda A, Grochla K, Głomb P, Madej A.  2023.  Link failure prediction in LoRa networks. International Wireless Communications and Mobile Computing Conference, IWCMC.
Wójcik B, Żarski M, Książek K, Miszczak J, Skibniewski MJ.  2023.  A deep learning method for hard-hat-wearing detection based on head center localization. Bulletin of the Polish Academy of Sciences Technical Sciences. 71 (EA)(6)
Gardas B, Głomb P, Sadowski P, Puchała Z, Jałowiecki K, Pawela Ł, Faucoz O, Brunet P-M, Gawron P, Van Waveren M et al..  2023.  Hyper-Spectral Image Classification Using Adiabatic Quantum Computation. IGARSS 2023 - 2023 IEEE International Geoscience and Remote Sensing Symposium.
Głomb P, Romaszewski M, Cholewa M, Koral W, Madej A, Skrabski M, Kołodziej K.  2023.  Machine Learning for Water Leak Detection and Localization in the WaterPrime Project. Wojciechowski A.(Ed.), Lipiński P.(Ed.)., Progress in Polish Artificial Intelligence Research 4, Seria: Monografie Politechniki Łódzkiej Nr. 2437, Wydawnictwo Politechniki Łódzkiej, Łódź 2023, ISBN 978-83-66741-92-8, doi: 10.34658/9788366741928..
Głomb P, Cholewa M, Foszner P, Bularz J.  2023.  Continual learning of a time series model using a mixture of HMMs with application to the IoT fuel sensor verification. Proceedings of the 18th Conference on Computer Science and Intelligence Systems, FedCSIS 2023, Warsaw, Poland, September 17-20, 2023.

2022

Grabowski B, Głomb P, Książek K, Buza K.  2022.   Improving Autoencoders Performance for Hyperspectral Unmixing Using Clustering. Asian Conference on Intelligent Information and Database Systems. 1716

2021

Książek K, Grochla K.  2021.  Flexibility Analysis of Adaptive Data Rate Algorithm in LoRa Networks. IEEE IWCMC 2021 - 17th Int. Wireless Communications & Mobile Computing Conference.
Zhang L, Pan Y, Wu X, Skibniewski MJ.  2021.  Artificial Intelligence in Construction Engineering and Management. Lecture Notes in Civil Engineering. 163:XI,263.
Żelasko D, Plawiak P.  2021.  Ensemble learning techniques for transmission quality classification in Pay&Require multi-layer network. International Journal of Applied Mathematics and Computer Science. 31(1) (1.01 MB)
Tuncer T, Dogan S, Naik G, Plawiak P.  2021.  Epilepsy attacks recognition based on 1D octal pattern, wavelet transform and EEG signals. Springer, Multimedia Tools and Applications .  (1.58 MB)
Hu M, Skibniewski MJ.  2021.  Green Building Construction Cost Surcharge: An Overview. Journal of Architectural Engineering. 27
Besklubova S, Skibniewski MJ, Zhang X.  2021.  Factors Affecting 3D Printing Technology Adaptation in Construction. Journal of Construction Engineering and Management. 147
Żarski M, Wójcik B, Książek K, Salamak M, Miszczak J.  2021.  Advances in applicable deep-learning based defect detection. 2nd Workshop on Engineering Optimization – WEO 2021.  (377.77 KB)
Książek K, Buza K.  2021.  A hybrid CNN-SVM approach with dynamic time warping for time series classification. 8th International Conference on Mathematics and Informatics.

2020

Głomb P, Romaszewski M.  2020.  Anomaly detection in hyperspectral remote sensing images. Hyperspectral Remote Sensing: Theory & Applications.
Tuncer T, Ertam F, Dogan S, Aydemir E, Plawiak P.  2020.  Ensemble residual network-based gender and activity recognition method with signals. Journal of Supercomputing. 76(2020):2119–2138. (2.74 MB)
Pan Y, Zhang L, Skibniewski MJ.  2020.  Clustering of designers based on building information modeling event logs. Computer-Aided Civil and Infrastructure Engineering. 35(7)
Żelasko D, Plawiak P, Kołodziej J.  2020.  Machine learning techniques for transmission parameters classification in multi-agent managed network. 20th IEEE/ACM International Symposium on Cluster, Cloud and Internet Computing (CCGRID).  (877.3 KB)
Tuncer T, Dogan S, Abdar M, Plawiak P.  2020.  A novel facial image recognition method based on perceptual hash using quintet triple binary pattern. Multimedia Tools and Applications. 79(39):29573-29593. (1.69 MB)
Książek K, Romaszewski M, Głomb P, Grabowski B, Cholewa M.  2020.  Blood Stain Classification with Hyperspectral Imaging and Deep Neural Networks. Sensors. 20(Recent Advances in Multi- and Hyperspectral Image Analysis)
Zhang L, Yuan J, Xia N, Ning Y, Ma J, Skibniewski MJ.  2020.  Measuring value-added-oriented BIM climate in construction projects: dimensions and indicators. Journal of Civil Engineering and Management. 26:800–818. (1.01 MB)

2019

Zhou C, Chen R, Jiang S, Zhou Y, Ding L, Skibniewski MJ, Lin X.  2019.  Human dynamics in near-miss accidents resulting from unsafe behavior of construction workers. Physica A: Statistical Mechanics and its Applications. 530:121495.
Pan Y, Zhang L, Wu X, Qin W, Skibniewski MJ.  2019.  Modeling face reliability in tunneling: A copula approach. Computers and Geotechnics. 109:272–286.
Guo S, Ding L, Zhang Y, Skibniewski MJ, Liang K.  2019.  Hybrid recommendation approach for behavior modification in the Chinese construction industry. Journal of Construction Engineering and Management. 145:04019035.
Zhang L, Wu X, Liu W, Skibniewski MJ.  2019.  Optimal Strategy to Mitigate Tunnel-Induced Settlement in Soft Soils: Simulation Approach. Journal of Performance of Constructed Facilities. 33:04019058.

2018

2017

2016

Romaszewski M, Głomb P.  2016.  Parameter Estimation for HOSVD-based Approximation of Temporally Coherent Mesh Sequences. Proceedings of the 11th Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications.
Zhang L, Wu X, Ding L, Skibniewski MJ, Lu Y.  2016.  Bim-Based Risk Identification System in tunnel construction. Journal of Civil Engineering and Management. 22:529-539.
Cholewa M, Głomb P.  2016.  Two Stage SVM Classification for Hyperspectral Data. Proceedings of the 5th International Conference on Pattern Recognition Applications and Methods - Volume 1: ICPRAM.
Głomb P, Cholewa M.  2016.  Performance of Interest Point Descriptors on Hyperspectral Images. Proceedings of the 11th Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications - Volume 3: VISAPP.

2015

Głomb P, Cholewa M.  2015.  Experimental Evaluation of Selected Approaches to Covariance Matrix Regularization. Artificial Intelligence and Soft Computing. 9120:391-401.
Wu XG, Wang YH, Zhang LM, Ding LY, Skibniewski MJ, Zhong JB.  2015.  A Dynamic Decision Approach for Risk Analysis in Complex Projects. Journal of Intelligent & Robotic Systems. 79(3-4):591-601.

2014

Romaszewski M, Gawron P, Opozda S.  2014.  Dimensionality reduction of dynamic animations using HO-SVD. Lecture Notes in Artificial Intelligence. 8467:757–768.
Głomb P, Sochan A.  2014.  Surface Mixture Models for the Optimization of Object Boundary Representation. Artificial Intelligence and Soft Computing, Lecture Notes in Computer Science 8467. :703–714.
Romaszewski M, Głomb P, Gawron P.  2014.  Natural hand gestures for human identification in a Human-Computer Interface. Image Processing Theory Tools and Applications (IPTA), 2014 4th International Conference on. :404–409.
Zhang L., Wu X., Skibniewski MJ, Zhong J., Lu Y..  2014.  Bayesian-network-based safety risk analysis in construction project. Reliability Engineering and System Safety. 131:29–39.
Ghosh S., Lauren B., Skibniewski MJ, Sam N., Hoon K.J..  2014.  Organizational governance to integrate sustainability project: a case study.. Technological and Economic Development of Economy. 20:1–24.

2013

Romaszewski M, Gawron P, Opozda S.  2013.  Dimensionality Reduction of Dynamic Mesh Animations Using HO-SVD. Journal of Artificial Intelligence and Soft Computing Research. 3:277–289.

2012

Blachnik M., Głomb P.  2012.  Do we need complex models for gestures? A comparison of data representation and preprocessing methods for hand gesture recognition Artificial Intelligence and Soft Computing Lecture Notes in Computer Science 7267. :477–485.
Głomb P, Romaszewski M, Opozda S, Sochan A.  2012.  Choosing and Modeling the Hand Gesture Database for a Natural User Interface. Gesture and Sign Language in Human-Computer Interaction and Embodied Communication.

2011

Sochan A, Głomb P, Skabek K, Romaszewski M, Opozda S.  2011.  Virtual Museum as an Example of 3D Content Distribution in the Architecture of a Future Internet. Computer Networks 2011. Communications in Computer and Information Science 160.. :459–464.
Gawron P, Głomb P, Miszczak J, Puchała Z.  2011.  Eigengestures for natural human computer interface. Man-Machine Interactions 2. :49–56.
Cholewa M, Głomb P.  2011.  Gesture data modeling and classification based on critical points approximation. Advances in Intelligent and Soft Computing, 2011, Volume 95, Computer Recognition Systems 4,. 95:365–373.
Głomb P, Romaszewski M, Opozda S, Sochan A.  2011.  Choosing and modeling hand gesture database for natural user interface. GW 2011: the 9th International Gesture in Embodied Communication and Human-Computer InteractionWorkshop.
Głomb P, Romaszewski M, Sochan A, Opozda S.  2011.  Unsupervised Parameter Selection for Gesture Recognition with Vector Quantization and Hidden Markov Models. Lecture Notes in Computer Science, Human-Computer Interaction – INTERACT. 6949

2010

Romaszewski M, Opozda S.  2010.  Optimization of a Vector Quantizer's Quality for 3D Mesh Applications. Theoretical and Applied Informatics. 22:131–140.

2009

Romaszewski M, Głomb P.  2009.  3D Mesh Approximation Using Vector Quantization. Advances in Soft Computing. 57/2009:71–78.
Romaszewski M, Opozda S, Głomb P.  2009.  3D Mesh Identification Using Random Walks and Hidden Markov Models. Image Processing & Communications Challenges. :302–308.
Domańska J, Głomb P, Kowalski P, Nowak S.  2009.  Modeling of Internet 3D Traffic Using Hidden Markov Models. Advances in Intelligent and Soft Computing. 64
Głomb P, Nowak S.  2009.  IMAGE CODING WITH CONTOURLET / WAVELET TRANSFORMS AND SPIHT ALGORITHM:AN EXPERIMENTAL STUDY. proc. of IMAGAPP 2009, International Conference on Imaging Theory and Applications, Lisboa, Portugal, 2009..
Głomb P.  2009.  Detection of interest points on 3D data: extending the Harris operator. 6th International Conference on Computer Recognition Systems.

2008

Grochla K, Sochan A, Głomb P.  2008.  Transmission of scalable video streams. Proceedings from the 4th Euro-NGI Workshop on New trends in network architectures and services.

2007

Głomb P.  2007.  Image Language Terminal Symbols from Feature Analysis. IEEE International Workshop on Imaging Systems and Techniques – IST.

2006

2005

Głomb P, Grochla K.  2005.  Modeling Connection State with Kernel PCA. 2nd EuroNGI Workshop on New Trends in Modeling, Quantitative Methods and Measurements.

2004

2002

Historia zmian

Data aktualizacji: 01/12/2023 - 12:48; autor zmian: Łukasz Zimny (lzimny@iitis.pl)

Zespół Uczenia Maszynowego specjalizuje się w zagadnieniach projektowania i doboru algortymów i modeli uczenia maszynowego do projektów aplikacyjnych, przede wszystkim związanych z wizją komputerową i szeregami czasowymi. W Zespole prowadzone są również badania podstawowe z obszaru metod uczenia maszynowego w obrazowaniu hiperspektralnym, a ostatnio przede wszystkim związane z uczeniem głębokim -- zagadnienia ,,martwych neuronów'', continual i reinforcement learning. Wywodząc się z Zespołu Systemów Multimedialnych, członkowie zespołu mają duże doświadczenie z zakresu analizy/drążenia danych (m.in. obrazy hiperspektralne, dane biomedyczne, obrazy 3D, dane sygnałowe), metod przetwarzania (m.in. statystyczne klasyfikatory, architektury uczenia głębokiego) jak i technicznych/organizacyjnych aspektów realizacji projektów badawczych i wdrożeniowych (m.in. proces przygotowania i wsparcie wdrożenia systemów uczenia maszynowego dla konkretnych problemów).

Aktualnie realizowane tematy:

  1. WaterPrime (2021-) nr POIR.01.01.01-00-1414/20, projekt którego celem jest opracowanie i wdrożenie platformy inteligetnej analizy danych w celu wykrywania wycieków i monitorowania stanu sieci wodociągowych. Projekt jest na etapie pliotażowego uruchomienia (3 przedsiębiorstwa wodociągowe, 20+ stref wodociągowych, ok. 10000 monitorowanych urządzeń), i już na tym etapie przyczynił się do wykrycia szeregu awarii i znacznego zmniejszenia strat wody (więcej informacji https://www.iitis.pl/pl/project/ekosystem-intelligence-augmentation-dla-analityk%C3%B3w-sieci-dystrybucji-wody, https://aiut.com/en/waterprime-artificial-intelligence-to-help-cities-detect-water-leaks/, https://doi.org/10.2166/ws.2023.118)
  2. Wspomaganie diagnostyki wybranych chorób przy pomocy biomarkerów, projekt realizowany wspólnie z Kliniką Psychiatrii Śląskiego Uniwersytetu Medycznego w Tarnowskich Górach. Celem projektu są badania pliotażowe metody parametrycznej oceny natężenia objawów m.in. schizofrenii i choroby afektywnej dwubiegunowej przy pomocy sygnałów HRV i akcelerometrów, w celu wsparcia diagnostyki medycznej (więcej informacji https://doi.org/10.1101/2023.08.04.23293640, https://zenodo.org/records/8171266)

Najważniejsze poprzednio realizowane tematy:

  1. Active Shape Network - seria projektów związanych z wykorzystaniem probablistycznych algorytmów grafowych (ang. probabilistic graphical models) do przetwarzania obrazowania hiperspektralnego (więcej infromacji https://doi.org/10.1016/j.forsciint.2021.110701, https://doi.org/10.3390/rs12162653, https://doi.org/10.1016/j.culher.2018.01.003, https://doi.org/10.1016/j.isprsjprs.2016.08.011)
  2. Seria projektów wdrożeniowych związanych z projektowaniem komponentów uczenia maszynowego do diagnostyki problemów w systemach dystrybucji paliw płynnych (więcej infromacji https://www.iitis.pl/pl/project/system-gromadzenia-i-analizy-danych-o-charakterze-strumieniowym-dedykowanego-dla-sieci, https://www.iitis.pl/pl/project/badanie-i-rozw-j-wdro-e-demonstracyjnych-inteligentnego-systemu-zarz-dzania-stanami-paliw-i, https://www.iitis.pl/en/project/opracowanie-i-budowa-modeli-oraz-metod-implementacji-inteligentnych-system%C3%B3w-monitorowania)
  3. Seria projektów związanych z przetwarzaniem obrazów, w tym w inspekcji przemysłowej i dla wsparcia operatora BSP. W tym ostatnim przypadku projekt ,,Moduł stabilizacji i śledzenia opracowany dla bezzałogowego systemu powietrznego FlyEye produkowanego przez Flytronic sp. z~o.o.'' miał na celu opracowanie algorytmów oraz implementacja komponentów przetwarzania obrazu dla zadań stabilizacji i śledzenia wskazanych przez operatora BSP. Demonstracja systemu FlyEye uzyskała wyróżnienie Ministra Spraw Wewnętrznych na targach Międzynarodowy Salon Przemysłu Obronnego Kielce 2010 r.

(Pełna lista publikacji i projektów - https://www.iitis.pl/person/pglomb, https://www.iitis.pl/pl/research-group/zesp%C3%B3%C5%82-uczenia-maszynowego)