Intelligent Vision Systems Group
"Unser Ziel ist es, die KI-, Deep Learning- und Machine Learning-Forschung methodisch voranzutreiben und gleichzeitig maßgeschneiderte Lösungen für Anwendungen in der Praxis zu entwickeln, die dem technologischen Fortschritt und ebenso der Menschheit zu Gute kommen."
Expertise
- Maschinelles Sehen
- Produktive ML Systeme (MLOps)
- Vertrauenswürdige und zertifizierbare KI
Wir forschen in erster Linie im Bereich des maschinellen Sehens, basierend auf 2-, 3- oder 4-D-Bild- oder Videodaten, um Klassifizierungs-, Objekterkennungs- oder andere visuelle Aufgaben zu lösen. Hierzu entwickeln wir hochmoderne viellagige neuronale Netzwerk-Architekturen. Wir sind besonders an neuesten Entwicklungen einschließlich Vision Transformers und sog. Gauge-equivariant Architekturen interessiert. Zu unseren Anwendungsfeldern gehören unter anderem industrielle Qualitätskontrolle, medizinische Bildgebung und Diagnose (Computertomographie) sowie Beobachtungsdaten von Erde (Satelliten) und Himmel (Radioastronomie). Wir interessieren uns auch für hybride Ansätze der KI sowie für geometrisches Deep Learning. Unser zweites Hauptinteresse gilt MLOps, was ein Oberbegriff für Verfahren zum Aufbau vollständiger, produktionsreifer und skalierbarer Systeme für maschinelles Lernen ist. Schließlich interessieren wir uns für Methoden zur Entwicklung sicherer, vertrauenswürdiger und zertifizierbarer KI-Systeme, die den aktuellen und künftigen Rechtsvorschriften entsprechen.
Angebote
- Einblick: Keynotes, Trainings
- KI-Beratung: Workshops, Expertenunterstützung, Beratung, Technikfolgenabschätzung
- Forschung und Entwicklung: kleine bis grosse Forschungsprojekte, Drittmittelforschung, studentische Projekte, praxiserprobte Prototypen
Team
Projekte
Im Zuge des Neuaufbaus der Forschungsdatenbank sind die bisherigen Listen mit Forschungsprojekten nicht mehr abrufbar. Die Zukunft geht in Richtung Volltextsuche und Filterung, um bestmögliche Suchergebnisse für unsere Besucher:innen zur Verfügung zu stellen.
In der Zwischenzeit kannst du die Projekte ganz einfach unter folgenden Link per Textsuche finden: «Zur neuen Suche in der Projektdatenbank»
Publikationen
- Seite 01
- Seite 02
- Seite 03
- Seite 04
- Nächste Seite
-
Billeter, Yann; Denzel, Philipp; Chavarriaga, Ricardo; Forster, Oliver; Schilling, Frank-Peter; Brunner, Stefan; Frischknecht-Gruber, Carmen; Reif, Monika Ulrike; Weng, Joanna,
2024.
MLOps as enabler of trustworthy AI [Paper].
In:
2024 11th IEEE Swiss Conference on Data Science (SDS).
11th IEEE Swiss Conference on Data Science (SDS), Zurich, Switzerland, 30-31 May 2024.
IEEE.
S. 37-40.
Verfügbar unter: https://doi.org/10.1109/SDS60720.2024.00013
-
Denzel, Philipp; Brunner, Stefan; Billeter, Yann; Forster, Oliver; Frischknecht-Gruber, Carmen; Reif, Monika Ulrike; Schilling, Frank-Peter; Weng, Joanna; Chavarriaga, Ricardo; Amini, Amin; Repetto, Marco; Iranfar, Arman,
2024.
Towards the certification of AI-based systems [Paper].
In:
2024 11th IEEE Swiss Conference on Data Science (SDS).
11th IEEE Swiss Conference on Data Science (SDS), Zurich, Switzerland, 30-31 May 2024.
IEEE.
S. 84-91.
Verfügbar unter: https://doi.org/10.1109/SDS60720.2024.00020
-
Weng, Joanna; Denzel, Philipp; Reif, Monika Ulrike; Schilling, Frank-Peter; Billeter, Yann; Frischknecht-Gruber, Carmen; Brunner, Stefan; Chavarriaga, Ricardo; Repetto, Marco; Iranfar, Arman,
2024.
Certification scheme for artificial intelligence based systems [Paper].
In:
34th European Safety and Reliability Conference (ESREL), Cracow, Poland, 23-27 June 2024.
ZHAW Zürcher Hochschule für Angewandte Wissenschaften.
Verfügbar unter: https://doi.org/10.21256/zhaw-30549
-
Amirian, Mohammadreza; Barco, Daniel; Herzig, Ivo; Schilling, Frank-Peter,
2024.
Artifact reduction in 3D and 4D cone-beam computed tomography images with deep learning - a review.
IEEE Access.
Verfügbar unter: https://doi.org/10.1109/ACCESS.2024.3353195
-
Jenny, David F.; Billeter, Yann; Sachan, Mrinmaya; Schölkopf, Bernhard; Jin, Zhijing,
2023.
Navigating the ocean of biases : political bias attribution in language models via causal structures.
arXiv.
Verfügbar unter: https://doi.org/10.48550/arXiv.2311.08605