Để chia sẻ các kết quả nghiên cứu, tăng cường giao lưu, kết nối giữa các nhóm, Trường CNTT&TT tổ chức seminar định kỳ hàng tháng.
Seminar tháng 12 sẽ được tổ chức vào 11.30-12.30 ngày thứ hai, 09/12/2024 và được Livestream trên Fanpage của Trường Công nghệ Thông tin và Truyền thông (fb.me/SoICTOfficially).
Thông tin bài trình bày
Bài trình bày #1
Deep sensing: Jointly optimizing image sensing and processing
Abstract
Deep neural network (DNN) is a powerful tool for solving image processing and computer vision tasks such as image and video reconstructions, object recognition, and scene understanding, etc. However, DNN have been used for only digital domain in the imaging pipeline, such as the feature extractor and classifier models after an image is captured and digitized. In this research, we propose a new framework called “deep sensing.” The proposed framework also models the analog layer to the neural network model and jointly optimizes the parameters in optics and sensor designs of a camera, as well as reconstruction and classification models by the same training strategy.
Mạng nơ ron sâu (DNN) là một công cụ mạnh mẽ cho các bài toán xử lý ảnh và thị giác máy tính như khôi phục ảnh và video, nhận dạng đối tượng, và hiểu khung cảnh. Tuy nhiên, DNN hiện chỉ được sử dụng trong không gian số trong các quy trình xử lý ảnh số, chẳng hạn như trích xuất đặc trưng, và các mô hình phân lớp sau khi mỗi bức ảnh được thu nhận và số hóa. Bài trình bày giới thiệu một mô hình mới – cảm biến sâu. Mô hình này không chỉ mô hình hóa các lớp tương tự trong mạng nơ ron mà còn tối ưu hóa các thành phần quang học và thiết kế cảm biến trong camera, cũng như các mô hình khôi phục và phân lớp đồng thời, thông qua cùng một chiến lược huấn luyện.
Hajime Nagahara
Prof.
Osaka University
Japan
Bio
Hajime Nagahara (Member, IEEE) received the Ph.D. degree in system engineering from Osaka University, Japan, in 2001. He was a Research Associate of the Japan Society for the Promotion of Science, from 2001 to 2003. He was a Visiting Associate Professor at CREA, University of Picardie Jules Verne, France, in 2005. He was an Assistant Professor at the Graduate School of Engineering Science, Osaka University, from 2003 to 2010. He was an Associate Professor with the Faculty of Information Science and Electrical Engineering, Kyushu University, from 2010 to 2017. He was a Visiting Researcher at Columbia University, from 2007 to 2008 and from 2016 to 2017. He has been a Professor at the Institute for Datability Science, Osaka University, since 2017. His research interests include computational photography and computer vision. He received an ACM VRST2003 Honorable Mention Award, in 2003, IPSJ Nagao Special Researcher Award, in 2012, ICCP2016 Best Paper Runners-up, and SSII Takagi Award, in 2016. He served as the Program Chair for ICCP2019. He has been serving as an Associate Editor for IEEE Transactions on Computational Imaging, since 2019
Bài trình bày #2
Interpretable graph methods for determining the ordering of nanoparticles position in electron microscopy images
Abstract
Carbon materials have paramount importance in various fields of materials science, from electronic devices to industrial catalysts. The properties of these materials are strongly related to the distribution of defects – irregularities in electron density on their surfaces. Different materials have various distributions and quantities of these defects, which can be imaged using a procedure that involves depositing palladium nanoparticles. The resulting scanning electron microscopy (SEM) images can be characterized by a key descriptor – the ordering of nanoparticle positions. This work presents a highly interpretable machine learning approach for distinguishing between materials with ordered and disordered arrangements of defects marked by nanoparticles attachment. The influence of the degree of ordering was experimentally evaluated on the example of catalysis via chemical reactions involving carbon‒carbon bond formation. This represents an important step towards automated analysis of SEM images in materials science.
Các vật liệu carbon có tầm quan trọng lớn trong nhiều lĩnh vực của khoa học vật liệu, từ thiết bị điện tử đến chất xúc tác công nghiệp. Các tính chất của những vật liệu này có liên quan chặt chẽ đến sự phân bố của các điểm bất thường trong mật độ electron trên bề mặt của chúng. Các vật liệu khác nhau có sự phân bố và số lượng điểm bất thường khác nhau, có thể được hình ảnh hóa thông qua quy trình sử dụng các hạt nano palladium. Các hình ảnh hiển vi điện tử (SEM) thu được có thể được đặc trưng bởi một thông số quan trọng, đó là thứ tự của vị trí các hạt nano.
Nghiên cứu này giới thiệu một phương pháp học máy dễ giải thích, giúp phân biệt các vật liệu với sự sắp xếp điểm bất thường có trật tự và không có trật tự, được đánh dấu bởi sự gắn kết của các hạt nano. Ảnh hưởng của mức độ trật tự được đánh giá thực nghiệm thông qua ví dụ về phản ứng hóa học tạo liên kết carbon‒carbon trong xúc tác. Đây là một bước tiến quan trọng hướng đến việc tự động hóa phân tích hình ảnh SEM trong khoa học vật liệu.
Prof. Andrei Valerievich Kopylov
Tula State University
Russia
Bio
Andrei Valerievich Kopylov received the Ph.D. degree from the Institute of Control Sciences of the Russian Academy of Sciences, Moscow, Russia, in 1997. In 1997, he joined the Department of Automation and Remote Control, Tula State University, as an Assistant Professor and became an Associate Professor in 2005. Currently, he is an Associate Professor with the Institute of Applied Mathematics and Computer Science, Tula State University. Since 2022, he is also leading researcher and since 2024 the acting head in the Laboratory of Cognitive Technologies and Simulating Systems, Tula State University. He worked as visiting researcher at the Dorodnicyn Computing Centre of Russian Academy of Sciences and National Taipei University of Technology. His scientific interests are signal and image analysis, data mining, machine learning. Prof. Kopylov was the principal investigator of several grants of the Russian Fund for Basic Research, including international. He is a member of program committee at several conferences (CloudCom, PSBB, AIST, GraphiCon, VISAPP, ICPR), reviewer of scientific journals Sensing and Imaging (SSTA), Computer Optics, Machine Learning and Data Analysis (JMLDA), IEEE Signal Processing Letters, IEEE Transactions on Circuits and Systems for Video Technology, etc. He has published more than 100 scientific papers in refereed journals, handbooks, and conference proceedings in the areas of machine learning, pattern recognition and computer vision. Prof. Kopylov is a member of The International Association for Pattern Recognition (IAPR).
Đăng ký tham dự
