Eingabe löschen

Kopfbereich

Schnellnavigation

Hauptnavigation

Intelligent Vision Systems Group

"Unser Ziel ist es, die KI-, Deep Learning- und Machine Learning-Forschung methodisch voranzutreiben und gleichzeitig maßgeschneiderte Lösungen für Anwendungen in der Praxis zu entwickeln, die dem technologischen Fortschritt und ebenso der Menschheit zu Gute kommen."

Dr. Frank-Peter Schilling

Expertise

  • Maschinelles Sehen
  • Produktive ML Systeme (MLOps)
  • Vertrauenswürdige und zertifizierbare KI

Wir forschen in erster Linie im Bereich des maschinellen Sehens, basierend auf 2-, 3- oder 4-D-Bild- oder Videodaten, um Klassifizierungs-, Objekterkennungs- oder andere visuelle Aufgaben zu lösen. Hierzu entwickeln wir hochmoderne viellagige neuronale Netzwerk-Architekturen. Wir sind besonders an neuesten Entwicklungen einschließlich Vision Transformers und sog. Gauge-equivariant Architekturen interessiert. Zu unseren Anwendungsfeldern gehören unter anderem industrielle Qualitätskontrolle, medizinische Bildgebung und Diagnose (Computertomographie) sowie Beobachtungsdaten von Erde (Satelliten) und Himmel (Radioastronomie). Wir interessieren uns auch für hybride Ansätze der KI sowie für geometrisches Deep Learning. Unser zweites Hauptinteresse gilt MLOps, was ein Oberbegriff für Verfahren zum Aufbau vollständiger, produktionsreifer und skalierbarer Systeme für maschinelles Lernen ist. Schließlich interessieren wir uns für Methoden zur Entwicklung sicherer, vertrauenswürdiger und zertifizierbarer KI-Systeme, die den aktuellen und künftigen Rechtsvorschriften entsprechen.

Angebote

Team

Projekte

Publikationen

Siehe auch: https://fpschill.github.io/publications/

  1. J. Montoya, M. Amirian, F.-P. Schilling, T. Stadelmann, R. M. Füchslin, I. Herzig, P. Eggenberger, L. Lichtensteiger, M. Morf, P. Paysan, I. Peterlik, and S. Scheib, “Mitigation of motion-induced artefacts in Cone Beam Computed Tomography using Deep Convolutional Neural Networks,” to be subm. to Med. Phys., 2022.
  2. F.-P. Schilling, D. Flumini, R. M. Füchslin, E. Gavagnin, A. Geller, S. Quarteroni, and T. Stadelmann, “Foundations of Data Science: A Comprehensive Overview Formed at the 1st International Symposium on the Science of Data Science,” Archives of Data Science, Series A, vol. 8, no. 2, pp. 1–20, 2022, doi: 10.21256/zhaw-24982. DOI:10.21256/zhaw-24982
  3. I. Herzig, P. Paysan, S. Scheib, F.-P. Schilling, J. Montoya, M. Amirian, T. Stadelmann, P. Eggenberger, R. M. Füchslin, and L. Lichtensteiger, “Deep Learning-Based Simultaneous Multi-Phase Deformable Image Registration of Sparse 4D-CBCT,” in Proceedings of the American Association of Physics in Medicine Annual Meeting (AAPM 2022), 2022. doi.org/10.21256/zhaw-25181
  4. T. Stadelmann and F.-P. Schilling, Eds., Advances in Deep Neural Networks for Visual Pattern Recognition. MDPI, 2022 [Online]. Available at: www.mdpi.com/journal/jimaging/special_issues/deep_neural_network
  5. N. Simmler, P. Sager, P. Andermatt, R. Chavarriaga, F.-P. Schilling, M. Rosenthal, and T. Stadelmann, “A Survey of Un-, Weakly-, and Semi-Supervised Learning Methods for Noisy, Missing and Partial Labels in Industrial Vision Applications,” in 8th Swiss Conference on Data Science (SDS), 2021, pp. 26–31, doi: 10.1109/SDS51136.2021.00012. DOI:10.1109/SDS51136.2021.00012
  6. F.-P. Schilling and T. Stadelmann, Eds., Artificial Neural Networks in Pattern Recognition. MDPI, 2020 [Online]. Available at: www.mdpi.com/journal/computers/special_issues/ANNPR2020
  7. L. Tuggener, M. Amirian, F. Benites, P. von Däniken, P. Gupta, F.-P. Schilling, and T. Stadelmann, “Design Patterns for Resource-Constrained Automated Deep-Learning Methods,” AI, vol. 1, no. 4, pp. 510–538, 2020, doi: 10.3390/ai1040031. DOI:10.3390/ai1040031
  8. F.-P. Schilling and T. Stadelmann, Eds., Artificial neural networks in pattern recognition : Proceedings of the 9th IAPR TC3 workshop, ANNPR 2020, Winterthur, Switzerland, September 2-4, 2020, vol. Lecture Notes in Computer Science, no. 12294. Springer, 2020. DOI:10.1007/978-3-030-58309-5
  9. M. Amirian, L. Tuggener, R. Chavarriaga, Y. P. Satyawan, F.-P. Schilling, F. Schwenker, and T. Stadelmann, “Two to trust: AutoML for safe modelling and interpretable deep learning for robustness,” Proc. of the 1st TAILOR Workshop on Trustworthy AI at ECAI 2020, 2020, doi: 10.21256/zhaw-22061. DOI:10.21256/zhaw-22061
  10. M. Amirian, K. Rombach, L. Tuggener, F.-P. Schilling, and T. Stadelmann, “Efficient deep CNNs for cross-modal automated computer vision under time and space constraints,” Proc. of ECML-PKDD 2019, Würzburg, 2019, doi: 10.21256/zhaw-18357. DOI:10.21256/zhaw-18357
  11. F.-P. Schilling and T. Stadelmann, “Deep Learning in medizinischer Diagnostik und Qualitätskontrolle,” Netzwoche, Special Issue: IT for Health, 2019, doi: 10.21256/zhaw-20163. DOI:10.21256/zhaw-20163