Időpont: 2024. február 15.

Szervező: Dr. Zsedrovits Tamás, elérhetősége: zsedrovits.tamas@itk.ppke.hu

  • 09:00 – Dr. Zsedrovits Tamás: Bevezető - Hatékony objektumfelismerés biztonsági rendszerek számára 
    • Az objektumfelimerés szerteágazó feladat, melyet több irányból is megközelíthetünk. Az egyetemen futó kutatási projektben cél valós környezetben, kis számítási kapacitású eszközökön való hatékony objektumfelismerés, mely során a tanítás során nem ismert osztályokba tartozó objektumokat is elkülönítjük. 
  • 09:30 – Dr. Tornai Kálmán: Mit tegyünk az ismeretlen osztályokkal? - Nyílt halmazfelismerés (Open Set Recognition, OSR) 
    • A nyílt halmazfelismerés a gépi tanulás egyre növekvő területe, ahol a módszerek ismeretlen osztályokat (vagy adatokat) vesznek figyelembe a rendszer képzése során. Az előadás a problémát és az alapvető definíciókat tárgyalja. Továbbá bemutatásra kerül az alapvető OSR módszerek egy működő alkalmazása. 
  • 10:00 – Dr. Juhász János: Értékelési protokollok és kihívások az OSR-ben 
    • A gépi tanulás és a kapcsolódó területek osztályozási módszereinek hatékony értékelése kulcsfontosságú az algoritmusok fejlesztéséhez és paraméterezéséhez. Ebben az előadásban a legelterjedtebb értékelési protokollok közül néhányat említünk meg, a terület néhány aktuális kihívásával együtt. 
  • 10:30 – Szünet 
  • 10:45 – Halász András: A nyílt halmazfelismerési módszer alkalmazása idősoros adatokra 
    • A való életben a hagyományos osztályozó módszerek gyakran elbuknak, amikor ismeretlen minták vagy korábban a tanítás során nem látott osztályok váratlan felbukkanásával szembesülnek. Erre a mindenütt jelenlévő kihívásra a nyílt halmazfelismerő (OSR) modellek jelentek meg megoldásként. 
  • 11:15 – Daubner Lóránt: SVM algoritmusok fejlesztési lehetőségei nyílt halmaz felismeréshez 
    • A Support Vector Machine (SVM) egy nagyszerű gépi tanulási algoritmus, amelyet széles körben használnak a mintafelismerésben és osztályozásban. Az SVM-eket eredetileg bináris osztályozóként tervezték, és ki kell őket bővíteni a többosztályos problémák kezelésére. Az SVM használata a Multi-view tanuláshoz. Multi-view tanulás (MVL): több nézettel (jellemzőkészlettel) történő tanulás az általánosítási teljesítmény javítása érdekében. Képcímkézési algoritmusok (YOLO, BLIP). 
  • 11:45 – Dr. Al-Hemeary Nawar: Exploited Multiple Models Adaptive Estimator (MMAE) Algorithm to Enhance INS/GNSS Navigation Data 
    • The GNSS receiver output predicts INS data synchronization between sampling instants using K-Nearest Neighbor. Instead of a Kalman filter, clever INS/GNSS integration uses MMAE to preserve the INS operation fault. The suggested INS/GNSS systems for high, medium, and low-cost INS sensors with and without GNSS signal blocking are tested. 
  • 12:15 – Ebédszünet 
  • 13:00 – Laborbemutató – Mobil alkalmazásfejlesztés labor (302)  
    • Bemutatásra kerül a mobil alkalmazásfejlesztés labor. A résztvevőknek lehetősége nyílik megnézni és kipróbálni, hogy miből is áll egy Android alkalmazás elkészítése. 
  • 14:00 – Szünet 
  • 14:15 – Laborbemutató – UAV vision labor (Ebédlő) 
    • Bemutatásra kerül a drónlabor, valamint egy tenyérnyi méretű drónt fogunk közösen programozni, amit akár bármilyen programozási előismeret nélkül is ki lehet próbálni.