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:
- 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)
- 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:
- 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)
- 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)
- 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)