Datorseende baseras på modellering av människans synsinne och är ett delområde av artificiell intelligens, AI.
Det är allmänt vedertaget att 80% av det vi uppfattar är baserat på vad vi ser (DOI 10.3233/NRE-2010-0599), men modelleringen av synsinnet är en systematiskt underskattad vetenskaplig utmaning – en implikation av Moravecs paradox ”Vi är minst uppmärksamma på vad våra sinnen gör bäst” (Minsky 1986).
Då synsinnet i hög grad är intuitivt är det svårt att greppa myriaden av interdisciplinära problem som är knutna till datorseende.
Forskningen hos avdelningen för Datorseende och lärande system (CVL) har ett starkt fokus på teori och metoder, särskilt inom maskininlärning, signalbehandling och tillämpad matematik.
De resulterande metoderna tillämpas inom områden där tekniska system förväntas samexistera med, och därmed förutse, mänskliga handlingar. Självkörande bilar som delar trafikområde och interagerar med människor, hållbart skogs- och jordbruk, bevakning av växthusgaser samt klassificering och övervakning av djur är några av tillämpningsområdena.
CVL:s forskningsområden täcker ett brett spektrum av utmaningar inom maskininlärning för datorseende och robotperception:
- Tidskontinuerlig modellering av 3D-rörelse
- Skattning av pose och 3D-struktur
- Few-shot och svagt övervakad inlärning
- Geometrisk djupinlärning
- Människo- och djurrörelseanalys
- Medicinsk bildalstring och analys
- Kvantmaskininlärning
- Förstärkningsinlärning
- Fjärranalys
- Semiövervakat och inkrementellt lärande
- Skattning av scenflöde
- Osäkerhetsrepresentation
- Video och semantisk segmentering
- Seende för handling
