Afbeelding
Deep learning vormt de kern van de huidige AI-revolutie en vertegenwoordigt de belangrijkste onderzoeksfocus van het lectoraat. Hoe kunnen veelvoorkomende praktische taken zoals kwaliteitscontrole, defectclassificatie, ziektedetectie, objectherkenning en segmentatie worden geautomatiseerd met behulp van deep learning? Dit omvat onderzoek naar de ontwikkeling van de volgende taken:
-
Anomalie detectie onderzoek richt zich op toepassingen wanneer er alleen negatieve samples beschikbaar zijn, en voorbeelden van positieve samples ontbreken. Dit kan worden gebruikt om anomalieën, onbekende schade en andere afwijkingen van normale situaties te detecteren.
-
Onderzoek naar synthetische data richt zich op het genereren van digitale tweelingen met behulp van vooraf getrainde generatieve modellen die zijn afgestemd om gegevens te genereren op basis van enkele voorbeeldafbeeldingen, tekstaanwijzingen of 3D-afbeeldingen.
-
Few-shot en zero-shot onderzoek richt zich op het omgaan met situaties waarin er slechts een paar afbeeldingen per klasse beschikbaar zijn of zelfs voor situaties waarin er geen afbeeldingen beschikbaar zijn.
-
Explainable AI is bedoeld om feedback te geven over waar de modellen hun beslissingen op baseerden. Dit onderzoek richt zich op het voorkomen van overtraining van het model op kleine hoeveelheden data en heeft bredere toepassingen in het signaleren van bias en het verlichten van de black-box aard van AI.
Verdere onderzoekslijnen richten zich op het verbeteren van de datakwaliteit door het gebruik van geavanceerde beeldacquisitie-opstellingen en geautomatiseerde image-data mining en image querying strategieën.