Prispevek podaja pregled možnosti za izvajanje računsko zahtevnih nalog računalniškega vida in umetne inteligence v Sloveniji na infrastrukturi SLING. Osredotočimo se na dve ključni okolji: petaflopni superračunalnik Vega (240 GPU Nvidia A100 in 960 vozlišč CPU) ter Arnesovo računsko gručo s starejšimi (V100) in novejšimi (H100) GPU za interaktivno in izobraževalno rabo. Opišemo postopke pridobivanja dostopa (testni dostop, razvojni dostop, redni/veliki raziskovalni dostop) in značilne kvote, ki vplivajo na razpoložljivost GPU virov. Pri tem povzamemo tudi vlogo Nacionalnega kompetenčnega centra (EuroCC 2) pri izobraževanjih in podpori uporabnikom. Posebno pozornost namenimo programski združljivosti za računalniški vid (knjižnice PyTorch/TensorFlow, knjižnice CUDA, kontejnerji) ter razlikam med klasičnim paketnim režimom (Slurm) in potrebami sodobnih potekov dela. V zaključku stanje povežemo s projektom Slovenske tovarne umetne inteligence (SLAIF), ki načrtuje nov, za umetno inteligenco optimiziran superračunalnik ter hibridno HPC- oblačno okolje z orkestracijo Kubernetes.

Accurate road network extraction from high-resolution overhead imagery is a prerequisite for corridor-aware routing and cost modelling in power-system infrastructure planning, where medium- and low-voltage lines often follow transport rights-of- way. Yet roads are thin, occluded, and cluttered, and downstream optimisation needs routable graphs, not just masks. We benchmark six representative pipelines (SAM-Road, D-LinkNet, CRESI, CU-dGCN, Sat2Graph, and U-Net-ResNet18) on SpaceNet imagery. The comparison reveals trade-offs between segmentation-centric and graph-aware designs and highlights where topology fails most often. Finally, practical guidance is provided for selecting road extractors that deliver reliable, optimisation-ready networks for power distribution corridor planning and the routing of medium- and low-voltage lines.

Nevrološke bolezni, kot je multipla skleroza (MS), pogosto povzročajo motnje fine motorike, zato so potrebne objektivne metode za njihovo ocenjevanje. V tej študiji smo razvili stereo- vizualni sistem za sledenje dlani, ki omogoča 3D rekonstrukcijo trajektorij 21 anatomskih točk roke med izvajanjem testa devetih zatičev (NHPT). Na podlagi rekonstruiranih gibanj smo izračunali kinematične parametre in jih klinično ovrednotili na vzorcu 162 bolnikov z MS z analizo povezav z razširjeno lestvico prizadetosti (EDSS) in kognitivno oceno CogEval. Rezultati so pokazali, da je višja stopnja nevrološke prizadetosti najmočneje povezana s podaljšanim časom izvedbe NHPT ter s spremenjenimi gibalnimi vzorci palca, kot sta večja linearnost in manjša sunkovitost gibanja. Pri kognitivnem statusu se je kot ključni dejavnik izkazala hitrost izvedbe naloge. Predlagani pristop je neinvaziven in cenovno dostopen ter omogoča poglobljen vpogled v kakovost gibanja, kar predstavlja obetavno orodje za objektivno in skalabilno spremljanje motoričnih sprememb pri MS.

V članku predlagamo metodo za rekonstrukcijo lokacije motoričnih enot skeletnih mišic iz večkanalnih površinskih elektromiogramov (angl. High-Density Surface Electromyogram, HD-sEMG) z uporabo globokih konvolucijskih nevronskih mrež. Metoda najprej uporabi dekompozicijo signala HD-sEMG v nize akcijskih potencialov motoričnih enot (angl. Motor Unit Action Potential, MUAP). Nato se uporabi globoka konvolucijska nevronska mreža, da se iz akcijskih potencialov motoričnih enot določi globina, položaj, velikost in oblika vsake motorične enote. Metoda je ovrednotena na sintetičnih podatkih mišic biceps brachii.

Tri Sense d. o. o. je slovensko tehnološko podjetje, specializirano za strojni vid in rešitve na osnovi umetne inteligence za zahtevna realna okolja. Na konferenci bo predstavljen sistem za samodejno zaznavanje in analizo varnostne razdalje v cestnem prometu, ki temelji na kombinaciji kamer, naprednih algoritmov računalniškega vida in umetne inteligence. Rešitev omogoča natančno zaznavanje vozil, merjenje medsebojnih razdalj ter identifikacijo nevarnih situacij v realnem času brez poseganja v obstoječo cestno infrastrukturo. Sistem je zasnovan za dolgoročno, neprekinjeno delovanje v zunanjih okoljih in omogoča analizo prometne varnosti ter podporo preventivnim ukrepom in odločanju upravljavcev cest. Rešitev prispeva k zmanjševanju prometnih nesreč ter predstavlja praktičen primer uporabe umetne inteligence za izboljšanje varnosti in učinkovitosti prometnih sistemov.

Projekt OnMoveID si prizadeva nadomestiti stacionarne kontrole schengenskega mejnega nadzora s preverjanjem "med gibanjem" (move-through) za kopenske, morske in zračne meje. Z uporabo razširjenih denarnic za evropsko digitalno identiteto (EUDI) in standardnih pametnih telefonov želi projekt povečati pretočnost potnikov ter hkrati izboljšati varnost. Članek obravnava dve ključni komponenti 7. delovnega sklopa projekta: razvoj robustnih algoritmov za biometrično prepoznavanje in implementacijo naprednih mehanizmov za odkrivanje napadov. Te naloge naslavljajo tehnične izzive preverjanja istovetnosti z visoko stopnjo zanesljivosti na mobilnih napravah, ki so izpostavljene tveganjem in omejitvam delovanja v nenadzorovanih okoljih.

Although many buses are equipped with onboard CCTV to assist drivers in monitoring the cabin, identifying abnormal passenger conditions in real time remains challenging. This work aims to enable early detection of emergency situations by recognizing passenger behaviors from video captured by cameras installed inside special-purpose vehicles. In practice, the interior of bus- like vehicles is highly complex and cluttered, which makes robust behavior understanding difficult. Another major limitation is the lack of publicly available datasets that represent diverse special- vehicle interiors. To address these issues, we recreated multiple bus environments and collected in-vehicle data to build a dedicated dataset. Using the collected dataset, we benchmarked several deep learning models to explore suitable approaches for passenger behavior recognition, and our proposed method achieved higher recognition accuracy than the competing baselines.

This paper presents a multi-modal perception system tailored for autonomous driving and safety monitoring in public parking environments, utilizing a dual-stage decision-level fusion of YOLOv8-seg and PointPillars. The architecture ensures precise occupancy monitoring and safety by integrating 2D instance segmentation with 3D LiDAR point clouds. A specialized decision fusion rngine features a distance-based matching phase and a rescue phase to maintain detections during sensor occlusions. By implementing a 2.5m Euclidean threshold and a high-confidence YOLO override mechanism, the system effectively compensates for LiDAR sparsity. Experimental results on the KITTI dataset demonstrate significant reliability gains, notably increasing the F1- score for pedestrians by 10.11% and cars by 6.99%. These findings prove that the synergy of visual masks and geometric data provides a robust solution for real-time monitoring of vehicles and vulnerable road users (pedestrians and cyclists) in automated parking environments.

Barvna slepota pomeni nezmožnost razlikovanja določenih barv ali odtenkov, ki jih ljudje z normalnim barvnim vidom zlahka prepoznajo. V članku je predstavljena programska rešitev, ki barvno slepim omogoča personalizirano prilagoditev digitalnih slik in tako olajša njihove vsakodnevne izzive. Namen rešitve je uporabniku omogočiti razumevanje vizualnega konteksta ob čim manjšem posegu v izvirno sliko. Rešitev vsebuje hiter test, s katerim določimo, katere barve so za uporabnika konfuzne. Prebarvanje je vsebinsko odvisno. Iz slike izluščimo reprezentativne barvne centre in na podlagi testa barvne slepote prepoznamo barvne pare, ki jih uporabnik težko razlikuje. Za konfuzne barvne centre z optimizacijskim postopkom poiščemo nadomestne barve, ki najmanj spremenijo videz slike, tako da se ti segmenti prilagodijo in postanejo uporabniku jasno razločljivi. Dobljeni rezultati so obetajoči.

Vplivneži imajo pomembno vlogo pri oblikovanju javnega mnenja ter pri komuniciranju vsebin na družbenih omrežjih, kar odpira nove priložnosti za uporabo umetne inteligence pri avtomatiziranem ustvarjanju digitalnih identitet. V prispevku je predstavljen razvoj avtonomnega virtualnega vplivneža, namenjenega promociji Fakultete za računalništvo in informatiko, Univerze v Ljubljani (FRI UL), ki temelji na uporabi sodobnih modelov za generiranje besedilnih in slikovnih vsebin. Sistem samodejno zbira aktualne informacije iz izbranih spletnih virov ter z orodji umetne inteligence, oblikuje objave v slogu profesorja, ki jih nato avtomatizirano distribuira na družbena omrežja. Opisan je celoten proces zasnove, implementacije in testiranja delovanja avtonomnega agenta. Poseben poudarek je namenjen tehnološkim izzivom, priložnostim ter etičnim vprašanjem, ki spremljajo uporabo umetne inteligence pri ustvarjanju in upravljanju digitalnih osebnosti.

V prispevku je predstavljen realnočasovni sistem za zaznavo brezpilotnih letalnikov, ki združuje vizualno detekcijo na osnovi globokega učenja in napredno radarsko obdelavo Range– Doppler signalov FMCW. Vizualni del temelji na modelu YOLOv8, implementiranem na platformi NVIDIA Jetson Orin Nano z uporabo industrijske kamere Basler. Radarski podsistem, izveden na Raspberry Pi, vključuje Gaussovo glajenje, odštevanje ozadja ter detekcijo ciljev z uporabo pragovne metode in gručenja DBSCAN v prostoru razdalje. Med podsistemoma je vzpostavljena komunikacija UDP, ki omogoča časovno usklajevanje zaznav in njihovo združevanje znotraj definiranega časovnega intervala. Eksperimentalni rezultati potrjujejo, da kombinirani pristop izboljša zanesljivost zaznave v primerjavi s posameznimi metodami, zlasti v zahtevnih okoljskih pogojih. Prispevek analizira arhitekturo sistema, zmogljivost izvajanja na robnih napravah ter omejitve in možnosti nadaljnjih izboljšav.