Wykaz obszarów badawczych związanych z tagiem Uczenie-glebokie:
| # | Obszar badawczy | Dziedzina naukowa |
|---|---|---|
| 1 |
Obszar badawczy obejmuje zagadnienia przetwarzania obrazów, widzenia komputerowego, uczenia maszynowego (w tym uczenia głębokiego) oraz szeroko pojętej sztucznej inteligencji.
|
|
| 2 |
Zagadnienie badawcze obejmuje opracowanie algorytmów przetwarzania i analizy sygnałów fizjologicznych w tym EEG na użytek detekcji i predykcji napadów epileptycznych. Badania obejmować będą również lokalizację źródeł epilepsji. Ważnym aspektem badań będzie opracowanie algorytmów, które mogą być wykorzystane w praktyce lekarskiej. Do wykorzystania jest baza sygnałów EEG zgromadzona w ramach współpracy z WUM dla ponad 50 osób. W ramach badań dotyczących przetwarzania wstępnego oczekuje się opracowania metody eliminacji artefaktów EMG/EOG/EKG. Zadanie obejmuje opracowanie skutecznych metod ekstrakcji cech na użytek detekcji i predykcji napadów epileptycznych. Jako istotne nowum badawcze warto rozważyć zastosowanie uczenia głębokiego w tym autoencoderów i konwolucucyjnych sieci neuronowych.
|
|
| 3 |
Analiza sygnału mowy pod kątem wykrywania stanu emocjonalnego mówcy.
W zadaniu badawczym planuje się szeroko zakrojoną analizę sygnału mowy pod kątem wykrywania stanu emocjonalnego mówcy. Algorytmy przetwarzania danych obejmują metody analizy statycznych i dynamicznych cech sygnału, poszukiwanie i selekcję najlepszych cech. W celu określenia stanu emocjonalnego mówcy zostaną zastosowane algorytmy uczenia maszynowego włącznie z wykorzystaniem uczenia głębokiego.
|
|
| 4 |
Analiza sygnałów fizjologicznych w celu wykrywania zmęczenia.
W zadaniu badawczym przewidziane jest opracowanie i budowa stanowiska badawczego (pomiarowego) umożliwiającego akwizycję różnych sygnałów fizjologicznych w różnym stadium zmęczenia użytkownika. Planowane jest użycie sygnałów: elektroencefalograficznych (EEG), elektrookulograficznych (EOG) oraz audio-wizualnych. W następnym kroku należy opracować metody analizy pozyskanych sygnałów pod kątem wykrywania zmęczenia. Algorytmy przetwarzania danych obejmują metody selekcji cech, uczenia maszynowego włącznie z wykorzystaniem uczenia głębokiego.
|
|
| 5 |
Metody samonadzorowanego uczenia się (ang. Self-Supervised Learning - SSL) posiadają potencjał do istotnej poprawy wydajności procesu uczenia głębokiego. Kontrastowe metody SSL stały się standardowym podejściem wstępnego pre-trenowania w szeregu dziedzin, takich jak przetwarzanie języka naturalnego (NLP) czy wizja komputerowa (CV). Wstępne wyniki sugerują, że niekontrastowe metody SSL są w stanie istotnie zbliżyć się do wydajności metod kontrastowych, eliminując jednocześnie potrzebę konstruowania explicite negatywnych próbek/przykładów uczących. Celem proponowanych badań jest między innymi: 1) zweryfikowanie w jakim stopniu metody kontrastowe i niekontrastowe mogą być stosowane w nowatorskich architekturach SSL, 2) sprawdzenie czy dopasowanie reprezentacji w SSL można osiągnąć metodami alternatywnymi, takimi jak jako wymuszanie zdolności przewidywania reprezentacji próbki wejściowej na podstawie reprezentacji innych, podobnych do niej próbek.
|
|
| 6 |
Dominującym obecnie podejściem do uczenia się reprezentacji jest wstępne trenowanie dużych modeli bazowych na ogromnych statycznych zbiorach danych, co kontrastuje ze stale zmieniającym się i poszerzającym się charakterem danych dostępnych w Internecie. Proponowane badania dotyczą nowego paradygmatu, w którym zbiór danych uczących jest konstruowany ad-hoc poprzez bieżące przeszukiwanie Internetu, umożliwiając efektywne dostosowanie modeli do wybranych zadań docelowych. Celem proponowanego projektu jest między innymi: 1) zaprojektowanie metod poszukiwania odpowiednich danych uczących w Internecie i wykorzystanie ich do ustawicznej adaptacji modelu, 2) przeprowadzenie badan dotyczących konstrukcji metod samonadzorowanych (ang. self-supervised), które dla zadanego problemu: a) samodzielnie definiują metodę jego rozwiązania, b) przeszukują Internet w celu znalezienie odpowiednich danych uczących oraz c) wykorzystują znalezione dane do iteracyjnej optymalizacji modelu.
|