Laboratorium Badawcze Widzenia Komputerowego i Przetwarzania Danych

Prac badawcze wykonywane w laboratorium dotyczą badań nad najnowszymi technikami Widzenia Komputerowego związanego z:

• Tworzeniem stabilnych punktów charakterystycznych,
• Tworzeniem i porównywaniem wektorów cech obiektu w celu ich wyszukania i identyfikacji,
• Rozwijaniem algorytmów identyfikacji obiektów w oparciu o algorytmy uczenia maszynowego w tym głębokie sieci neuronowe,
• Automatycznym wykrywanie, zliczaniem oraz śledzeniem obiektów,
• Automatyczną analizą cech behawioralnych wraz z budowanie modeli behawioralnych.
• Rozwój algorytmów do hashowania wektorów cech.
• Budowanie struktur grafowych w oparciu na podstawie punktów charakterystycznych.

Dodatkowo prowadzone są badania nad analizą dużych zbiorów danych z wykorzystaniem technologii Big Data i analityki opartej o systemy rozproszone, karty GPU oraz systemy wbudowane FPGA jak i z procesorami graficznymi. W ramach badań nad zastosowaniem znanych algorytmów uczenia maszynowego do problemów biznesowych, duży nacisk położony został na rozwijanie algorytmów głębokiego uczenia o wykorzystanie liczb zespolonych, czy rachunku różniczkowego niecałkowitego rzędu. 
W ramach laboratorium dydaktycznego Widzenia Komputerowe i Przetwarzania Danych  szkolimy studentów z zakresu:

• klasycznych algorytmów przetwarzania obrazów,
• współczesnych algorytmów widzenia komputerowego,
• algorytmów uczenia maszynowego do klasyfikacji danych i obiektów,
• algorytmów sieci neuronowych i głębokich sieci neuronowych w problemach nieliniowych i pozwalających na przedstawienie sygnału wejściowego w postaci dwuwymiarowej macierzy,
• metod kalibracji kamer  2D,
• wykorzystanie chmur punktów w widzeniu 3D.

dodatkowo prowadzone są zajęcia wprowadzające studentów do tematyki przetwarzania ogromnych zbiorów danych z wykorzystaniem technologii Big Data:

• konfiguracja Hadoopa
• wykorzystanie architektury lambda w analizie danych
• zarządzanie i wykorzystanie no-sql-owych baz danych
• zarządzanie i wykorzystanie grafowych baz danych
• szybka analityka z wykorzystaniem pakietu Apache Spark
• wprowadzenie do analizy danych z wykorzystaniem języka Python i Scala