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
Leider kann hier momentan keine Liste der Projekte angezeigt werden. Bis die Liste wieder verfügbar ist, kann die Projektsuche auf der Dachseite der ZHAW genutzt werden.
Publikationen
-
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
-
Tuggener, Lukas; Amirian, Mohammadreza; Benites de Azevedo e Souza, Fernando; von Däniken, Pius; Gupta, Prakhar; Schilling, Frank-Peter; Stadelmann, Thilo,
2020.
Design patterns for resource-constrained automated deep-learning methods.
AI.
1(4), S. 510-538.
Verfügbar unter: https://doi.org/10.3390/ai1040031
-
Schilling, Frank-Peter; Stadelmann, Thilo, Hrsg.,
2020.
Artificial neural networks in pattern recognition.
Basel:
MDPI.
Computers ; 9.
Verfügbar unter: https://www.mdpi.com/journal/computers/special_issues/ANNPR2020
-
Schilling, Frank-Peter; Stadelmann, Thilo, Hrsg.,
2020.
9th IAPR TC 3 Workshop on Artificial Neural Networks for Pattern Recognition (ANNPR'20), Winterthur, Switzerland, 2-4 September 2020.
Springer.
Lecture Notes in Computer Science ; 12294.
ISBN 978-3-030-58308-8.
Verfügbar unter: https://doi.org/10.1007/978-3-030-58309-5