V zadnjem času so se številne univerze preoblikovale iz tradicionalne izobraževalne in raziskovalne univerze v podjetniško univerzo, ki spodbuja podjetniške dejavnosti zaposlenih in študentov. Vloga podjetniške univerze torej ni le izobraževanje in ustvarjanje novega znanja, temveč tudi podpiranje ustanavljanja na novem znanju temelječih podjetij, od katerih bi imela korist celotna družba. Vprašanje pa je, ali so univerzitetni učitelji in sodelavci po naravi tudi podjetniki. V prispevku podajamo nekaj podobnosti med delom, ki ga opravljajo učitelji in podjetniki, in s tem skušamo odgovoriti na zgornje vprašanje. V nadaljevanju opisujemo primer podjetja Sensum, ki so ga leta 2000 ustanovili učitelj in trije študenti. Podjetje Sensum je specializirano za razvoj, proizvodnjo in trženje avtomatskih sistemov za vizualno pregledovanje v farmacevtski industriji in industriji prehranskih dopolnil. Sensum ponuja rešitve visoke in srednje zmogljivosti za 100 % pregledovanje kakovosti tablet, neprozornih, prozornih in mehko želatinastih kapsul ter procesno analitične tehnologije za vizualno spremljanje farmacevtskih procesov v realnem času.

V prispevku predstavljamo metodologijo avtomatizirane kalibracije kamer, ki so nameščene na satelitu TRISAT-S. Sistem temelji na predhodnih izkušnjah z misijo TRISAT-R, kjer so bile miniaturne kamere uporabljene za tehnološko demonstracijo. Za zagotavljanje natančne rekonstrukcije slikovnih podatkov je bila razvita popolnoma avtomatizirana metoda kalibracije, ki vključuje robotsko roko za precizno nastavitev položajev kamer in optimizacijske algoritme za korekcijo optičnih distorzij. Pri kalibraciji se uporabljajo Förstner-jev operater za detekcijo kalibracijskih vzorcev, Levenberg-Marquardt metoda za minimizacijo reprojekcijske napake in geometrijski model kamere na podlagi »pinhole« projekcije.

Zaradi naraščajočih računskih in pomnilniških zahtev globokih nevronskih mrež je vedno več truda usmerjenega v zmanjšanje velikosti teh modelov, še posebej kadar je cilj njihova uporaba na napravah z omejenimi viri. Nenehno se razvijajo nove metode za stiskanje nevronskih mrež, katerih cilj je čim manjši padec natančnosti. V tem članku se osredotočamo na tehnike obrezovanja (pruning) kot način stiskanja. Predstavimo primerjavo različnih kriterijev obrezovanja in analiziramo izgubo natančnosti pri enostavnem, neiterativnem postopku obrezovanja. Podamo primerjavo primerov, kjer so ti kriteriji uporabljeni pri različnih arhitekturah konvolucijskih nevronskih mrež.

Računalniška tomografija (CT) je slikovna preiskava, ki se v klinični praksi standardno zajame v okviru načrtovanje radioterapije. V primeru raka območju glave in vratu (HaN) se pogosto zajame tudi magnetno resonančne (MR) slike za natančnejše orisovanje tumorjev in kritičnih organov. V zadnjem času se vse bolj uveljavlja radioterapija na podlagi MR-samostojnega pristopa, ki odstrani potrebo po zajemu CT slik in s tem izpostavljenost ionizirajočemu sevanju, vendar pa zahteva rešitev za generiranje sintetičnih CT slik na podlagi MR slik . Nedavne študije kažejo, da difuzijski modeli nudijo realistično generiranje slik z natančnimi anatomskimi podrobnostmi in manj artefakti kot generativne nasprotniške mreže. V tej študiji smo razvili difuzijski model za pretvorbo MR slik v sintetične CT slike za HaN področje. Naš pristop, ovrednoten na zbirki podatkov HaN-Seg, ki vključuje pare CT in MR slik istih bolnikov, doseže indeks strukturne podobnosti 92,2 %, vršno razmerje signal-šum 33,1 dB ter povprečno absolutno napako 35,3 HU. Model dodatno ovrednotimo tudi za segmentacijo kritičnih organov. Rezultati potrjujejo potencial uporabe difuzijskih modelov pri načrtovanju radioterapije.

Podjetje Guardiaris se ukvarja z razvojem vojaških trenažerjev in civilnih simulatorjev. Gonilno logiko proizvedenih fizičnih trenažerjev in naprav poganja v lastni režiji razvit specializiran simulacijski in grafični pogon. Razvit je bil z namenom lažje integracije in optimizacije z namensko strojno opremo ter posebnosti, ki tovrstne aplikacije razlikujejo od komercialnih igralnih pogonov. Predstavili vam bomo nekaj tehničnih izzivov in rešitev s katerimi se soočamo. Obravnavali bomo pristope pri programskem projektiranju trenažerjev, simulacijo fizike projektilov in penetracij, procese proceduralnega generiranja terena na osnovi geodetskih podatkov ter rešitve za vizualizacijo obsežnih terenov. Obrazložili bomo posebnosti simulacijskih pogonov, ki za razliko od igralnih zahtevajo širšo povezljivost z ostalimi sistemi ter potrebe integrirane možnosti časovne analize poteka.

Računalniški vid in biometrija postajata vse pomembnejša na različnih področjih umetne inteligence, vendar njuno poučevanje predstavlja izziv pri uravnoteženju teorije in praktičnega dela. Ta članek predstavlja strukturiran pristop, uporabljen za predmet tehničnih veščin na Fakulteti za računalništvo in informatiko Univerze v Ljubljani, namenjen študentom računalništva. Predmet vključuje vodene vaje v Jupyter Notebookih in študentom omogoča reševanje programskih nalog s pomočjo raznih inteligentnih orodij. Razumevanje snovi je dodatno okrepljeno s predstavitvami in razpravami, kjer študenti predstavijo svoje rešitve in reševanje problemov. Predmet v 15 tednih napreduje od osnovnega procesiranja slik do biometričnega prepoznavanja z globokim učenjem. Učni materiali izhajajo iz evropskega projekta AIM@VET, ki se osredotoča na prilagajanje izobraževanja o umetni inteligenci potrebam trga dela, tu pa so prilagojeni za univerzitetne študente. Upamo, da naloge podprte z umetno inteligenco in interaktivne razprave izboljšujejo angažiranost in razumevanje ter študente bolje pripravljajo na različna področja računalniškega vida in biometrije.

Histopatološki posnetki pogosto vsebujejo veliko diagnostično nepomembnih motečih informacij. Patolog se mora pri svojem delu osredotočiti na specifične regije, kjer opazuje tako podrobnosti kot obliko in število večjih celičnih struktur. V tem delu predstavimo dva poskusa označevanja regij zanimanja in učenje modelov segmentacije za avtomatsko detektiranje teh regij. Prvi pristop je bil t. i. grobo označevanje, ki je za označevalca manj naporen in časovno učinkovitejši. V tem eksperimentu je bilo označenih 123 slik. Izkazalo se je, da je bil model segmentacije, naučen s temi podatki, bolj natančen kot pa same pripravljene oznake. Drugi pristop je bil t. i. podrobno označevanje, ki je za označevalca bistveno bolj naporen. S tem označevanjem je bilo označenih samo 10 slik. Model naučen s temi podatki je, kljub izredno majhnemu naboru učnih podatkov, ob vizualnem pregledu bolje segmentiral regije zanimanja kot pa model naučen z grobimi oznakami.

Predavanje sega na področje tehnologije zaznavanja in planiranja poti za namen avtonomne vožnje modularnega oklepnega vozila, kar omogoča varno in učinkovito navigacijo v kompleksnih, neoznačenih in nepredvidljivih okoljih. Senzorji, ki se uporabljajo v tem procesu, so barvne kamere, stereo kamere, termalne kamere, lidarji, radarji, inercijski senzorji in GPS. Poseben poudarek predavanja je na izzivih kot so kalibracija in sinhronizacija senzorjev ter seveda uporaba podatkov iz naštetih senzorjev za razvoj in testiranje algoritmov z namenom hkratne lokalizacije in mapiranja okolja.

Pred nekaj leti smo bili priča hudi krizi, povezani s koronavirusom, ki je močno vplivala tudi na človeške navade pri telovadbi in izvajanju aktivnosti na prostem ali v fitnes centrih. Zaradi nezmožnosti obiskovanja teh prostorov se je vse več ljudi odločalo za različne oblike vadbe doma. Pri tem se je pojavilo vprašanje pravilne in varne izvedbe vadbe, še posebej pri začetnikih. V tem delu analiziramo, kako nam lahko metode računalniškega vida pomagajo pri prepoznavanju človeške drže in telesnih delov ter kako lahko te informacije uporabimo za usmerjanje in pomoč pri pravilni izvedbi telesnih vaj. Predstavimo tudi našo implementacijo aplikacije, imenovane Sweatpose, ki omogoča zaznavanje in sledenje telesnih delov ter hkrati uporabniku nudi pomoč pri pravilni izvedbi vaj.

Unexploded Ordnance (UXO) is a major threat affecting the lives of people in more than 60 countries. This work tests deep neural networks to automatically detect UXO in Hyperspectral Images (HSI). Initially, we constructed our own dataset of 134 HSI cubes divided into three folds: two for training and one for validation. U-Net was selected through preliminary experiments as the most promising detection method among those compared. Customised loss functions were designed for the U-Net, resulting in 3 different models. These models were trained and validated in a supervised manner on our data. The results obtained are very promising with a UXO detection rate of around 70% and an F1 score above 0.8.

V zadnjih letih so sodobne tehnologije naredile šport bolj dostopen širšemu občinstvu z zagotavljanjem interaktivnih podatkov med prenosi, zmanjšanjem tveganja človeške napake in izboljšanjem uspešnosti športnikov s pomočjo realno časovne analize in ciljnih vpogledov v trening. Ta članek združuje teoretične in praktične pristope z razvojem aplikacije, ki temelji na specifičnih konvolucijskih nevronskih mrežah za zaznavanje igrišča za odbojko in sledenje žogi. Rezultati prikazujejo sposobnost napredne video analitike v športu, ki uporabnikom omogoča raziskovanje priložnosti sodobne tehnologije pri izboljšanju športne uspešnosti.