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
- Vorherige Seite
- Seite 01
- Seite 02
- Seite 03
- Seite 04
- Nächste Seite
-
Herzig, Ivo; Paysan, Pascal; Scheib, Stefan; Züst, Alexander; Schilling, Frank-Peter; Montoya, Javier; Amirian, Mohammadreza; Stadelmann, Thilo; Eggenberger Hotz, Peter; Füchslin, Rudolf Marcel; Lichtensteiger, Lukas,
2022.
Deep learning-based simultaneous multi-phase deformable image registration of sparse 4D-CBCT [Poster].
In:
AAPM Annual Meeting, Washington, DC, USA, 10-14 July 2022.
American Association of Physicists in Medicine.
S. e325-e326.
Verfügbar unter: https://doi.org/10.1002/mp.15769
-
Stadelmann, Thilo; Schilling, Frank-Peter, Hrsg.,
2022.
Advances in deep neural networks for visual pattern recognition.
Basel:
MDPI.
Journal of Imaging ; 8.
Verfügbar unter: https://www.mdpi.com/journal/jimaging/special_issues/deep_neural_network
-
Schilling, Frank-Peter; Flumini, Dandolo; Füchslin, Rudolf Marcel; Gavagnin, Elena; Geller, Armando; Quarteroni, Silvia; Stadelmann, Thilo,
2022.
Archives of Data Science, Series A.
8(2).
Verfügbar unter: https://doi.org/10.5445/IR/1000146422
-
Simmler, Niclas; Sager, Pascal; Andermatt, Philipp; Chavarriaga, Ricardo; Schilling, Frank-Peter; Rosenthal, Matthias; Stadelmann, Thilo,
2021.
In:
Proceedings of the 8th SDS.
8th Swiss Conference on Data Science, Lucerne, Switzerland, 9 June 2021.
IEEE.
S. 26-31.
Verfügbar unter: https://doi.org/10.1109/SDS51136.2021.00012
-
Amirian, Mohammadreza; Tuggener, Lukas; Chavarriaga, Ricardo; Satyawan, Yvan Putra; Schilling, Frank-Peter; Schwenker, Friedhelm; Stadelmann, Thilo,
2021.
Two to trust : AutoML for safe modelling and interpretable deep learning for robustness [Paper].
In:
Postproceedings of the 1st TAILOR Workshop on Trustworthy AI at ECAI 2020.
1st TAILOR Workshop on Trustworthy AI at ECAI 2020, Santiago de Compostela, Spain, 29-30 August 2020.
Springer.
Verfügbar unter: https://doi.org/10.21256/zhaw-22061