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."
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
- Einblick: Keynotes, Trainings
- KI-Beratung: Workshops, Expertenunterstützung, Beratung, Technikfolgenabschätzung
- Forschung und Entwicklung: kleine bis grosse Forschungsprojekte, Drittmittelforschung, studentische Projekte, praxiserprobte Prototypen
Team
Leitung
Projekte
-
Performance-optimiertes KI Stereo Matching
Für die Weiterentwicklung eines Intraoralscanners (IOS) werden verschiedene KI Stereo Matching Algorithmen auf ihre Tauglichkeit für deren Anwendung im Produkt untersucht. Das Ziel ist es, ein geeignetes Modell für Training und Implementierung zu identifizieren, es nach TensorRT zu konvertieren und…
abgeschlossen, 08/2025 - 10/2025
-
Antibiotika-Resistenz Tracker (AMR)
Ziel des Projekts ist es, die Überwachung der Resistenz gegen antimikrobielle Mittel bei Tieren und Lebensmitteln zu verbessern, mit Schwerpunkt auf internationalen Reisenden. Im Rahmen des Projekts wird der Einsatz von KI-basierten Text- und Image-Mining-Techniken zur Extraktion von Daten über die…
laufend, 08/2025 - 07/2028
-
SCRAI - A Think-and-Do-Tank for Responsible Development and Societal Alignment of Artificial Intelligence Systems
SCRAI bringt verantwortungsvolle KI in die Praxis, indem es die Kluft zwischen gesellschaftlichen Werten und der Entwicklung von KI-Technologie und -Lösungen überbrückt. Der SCRAI Think-and-Do Tank wird Organisationen dabei helfen, das Potenzial der KI zu nutzen und gleichzeitig die rechtlichen…
laufend, 04/2025 - 12/2029
-
Certification program for assessing ethics of Autonomous Intelligent Systems (IEEE CertifAIEd Assessor Training)
ZHAW is offering, in partnership with IEEE SA, the IEEE CertifAIEd (TM) Authorized Assessor Training. IEEE CertifAIEd is a certification program for assessing ethics of Autonomous Intelligent Systems (AIS) to help protect, differentiate, and grow product adoption. The resulting certificate and mark…
abgeschlossen, 05/2024 - 07/2025
-
certAInty – A Certification Scheme for AI systems (certAInty)
Certification of AI Systems by an accredited body increases trust, accelerates adoption and enables their use for safety-critical applications. We develop a Certification Scheme comprising specific requirements, criteria, measures, and technical methods for assessing Machine Learning enabled…
abgeschlossen, 11/2022 - 12/2024
-
OSR4H – Open Set Recognition for Hematology
Development of a Proof of Concept for visual Open Set Recognition (OSR) algorithms applied to a Hematology task, the classification of white blood cells.
abgeschlossen, 08/2022 - 03/2023
-
AI powered CBCT for improved Combination Cancer Therapy (AC3T)
The project enables a novel, combined, adaptive cancer therapy combining tumor treating field and radiation therapy due to significantly improved static (3D) and time-resolved (4D) low dose Cone Beam Computer Tomography images based on artificial intelligence image reconstruction algorithms.
abgeschlossen, 05/2022 - 02/2025
-
Square Kilometre Array: Simulierte astronomische Beobachtungen durch generative Deep Learning
In diesem Projekt verwenden wir generative Deep Learning-Methoden (GANs und VAEs), um simulierte astronomische Beobachtungen von astrophysikalischen Objekten zu erzeugen, wie sie mit dem Square Kilometre Array Telescope (SKA) beobachtet werden sollen. Dieses Projekt trägt zu den schweizweiten…
abgeschlossen, 09/2021 - 12/2024
-
PhD Program in Data Science
Understanding effective and ethical ways of using vast amounts of data is a significant challenge to science and society as a whole. Data Science encompasses such activities and is therefore inherently interdisciplinary and applied. ZHAW is an early mover in the field of Data Science. Since 2013…
abgeschlossen, 01/2021 - 06/2025
-
DIR3CT: Deep Image Reconstruction through X-Ray Projection-based 3D Learning of Computed Tomography Volumes
Project DIR3CT aims at improving the image quality of CBCT images by deep learning (DL) the 3D reconstruction from X-ray images end-to-end. This enables a novel CBCT product to be used during radiation therapy and will allow the use of these images for adaptive treatment.
abgeschlossen, 02/2020 - 05/2022
Publikationen
- Seite 01
- Seite 02
- Seite 03
- Seite 04
- Seite 05
- Nächste Seite
-
Barco, Daniel; Stadelmann, Marc; Oswald, Martin; Herzig, Ivo; Lichtensteiger, Lukas; Paysan, Pascal; Peterlik, Igor; Walczak, Michal; Menze, Bjoern; Schilling, Frank-Peter,
2025.
MInDI-3D : iterative deep learning in 3D for sparse-view cone beam computed tomography.
arXiv.
Verfügbar unter: https://doi.org/10.48550/arXiv.2508.09616
-
Bonaldi, A.; Hartley, P.; Braun, R.; Purser, S.; Acharya, A.; Ahn, K.; Resco, M. Aparicio; Bait, O.; Bianco, M.; Chakraborty, A.; Chapman, E.; Chatterjee, S.; Chege, K.; Chen, H.; Chen, X.; Chen, Z.; Conaboy, L.; Cruz, M.; Darriba, L.; De Santis, M.; Denzel, P.; Diao, K.; Feron, J.; Finlay, C.; Gehlot, B.; Ghosh, S.; Giri, S. K.; Grumitt, R.; Hong, S. E.; Ito, T.; Jiang, M.; Jordan, C.; Kim, S.; Kim, M.; Kim, J.; Krishna, S. P.; Kulkarni, A.; López-Caniego, M.; Labadie-García, I.; Lee, H.; Lee, D.; Lee, N.; Line, J.; Liu, Y.; Mao, Y.; Mazumder, A.; Mertens, F. G.; Munshi, S.; Nasirudin, A.; Ni, S.; Nistane, V.; Norregaard, C.; Null, D.; Offringa, A.; Oh, M.; Oh, S. -H.; Parkinson, D.; Pritchard, J.; Ruiz-Granda, M.; López, V. Salvador; Shan, H.; Sharma, R.; Trott, C.; Yoshiura, S.; Zhang, L.; Zhang, X.; Zheng, Q.; Zhu, Z.; Zuo, S.; Akahori, T.; Alberto, P.; Allys, E.; An, T.; Anstey, D.; Baek, J.; Basavraj; Brackenhoff, S.; Browne, P.; Ceccotti, E.; Chen, H.; Chen, T.; Choudhuri, S.; Choudhury, M.; Coles, J.; Cook, J.; Cornu, D.; Cunnington, S.; Das, S.; Acedo, E. De Lera; Delou is, J. -M.; Deng, F.; Ding, J.; Elahi, K. M. A.; Fernandez, P.; Fernández, C.; Alcázar, A. Fernández; Galluzzi, V.; Gao, L. -Y.; Garain, U.; Garrido, J.; Gendron-Marsolais, M. -L.; Gessey-Jones, T.; Ghorbel, H.; Gong, Y.; Guo, S.; Hasegawa, K.; Hayashi, T.; Herranz, D.; Holanda, V.; Holloway, A. J.; Hothi, I.; Höfer, C.; Jelić, V.; Jiang, Y.; Jiang, X.; Kang, H.; Kim, J. -Y.; Koopmans, L. V.; Lacroix, R.; Lee, E.; Leeney, S.; Levrier, F.; Li, Y.; Liu, Y.; Ma, Q.; Meriot, R.; Mesinger, A.; Mevius, M.; Minoda, T.; Miville-Deschenes, M. -A.; Moldon, J.; Mondal, R.; Murmu, C.; Murray, S.; SR, Nirmala; Niu, Q .; Nunhokee, C.; O'Hara, O.; Pal, S. K.; Pal, S.; Park, J.; Parra, M.; tra, N. N. Pa; Pindor, B.; Remazeilles, M.; Rey, P.; Rubino-Martin, J. A.; Saha, S.; Selvaraj, A.; Semelin, B.; Shah, R.; Shao, Y.; Shaw, A. K.; Shi, F.; Shimabukuro, H.; Singh, G.; Sohn, B. W.; Stagni, M.; Starck, J. -L.; Sui, C.; Swinbank, J. D.; Sánchez, J.; Sánchez-Expósito, S.; Takahashi, K.; Takeuchi, T.; Tripathi, A.; Verdes-Montenegro, L.; Vielva, P.; Vitello, F. R.; Wang, G. -J.; Wang, Q.; Wang, X.; Wang, Y.; Wang, Y. -X.; Wiegert, T.; Wild, A.; Williams, W. L.; Wolz, L.; Wu, X.; Wu, P.; Xia, J. -Q.; Xu, Y.; Yan, R.; Yan, Y. -P.,
2025.
Square Kilometre Array Science Data Challenge 3a : foreground removal for an EoR experiment.
arXiv.
Verfügbar unter: https://doi.org/10.48550/arxiv.2503.11740
-
Frischknecht-Gruber, Carmen; Denzel, Philipp; Forster, Oliver; Billeter, Yann; Iranfar, Arman; Repetto, Marco; Reif, Monika Ulrike; Schilling, Frank-Peter; Weng, Joanna; Chavarriaga, Ricardo,
2025.
In:
AI Days @ HES-SO, Geneva and Lausanne, Switzerland, 27–29 January 2025.
ZHAW Zürcher Hochschule für Angewandte Wissenschaften.
Verfügbar unter: https://doi.org/10.21256/zhaw-32422
-
Frischknecht-Gruber, Carmen; Denzel, Philipp; Reif, Monika; Billeter, Yann; Brunner, Stefan; Forster, Oliver; Schilling, Frank-Peter; Weng, Joanna; Chavarriaga, Ricardo; et al.,
2025.
AI assessment in practice : implementing a certification scheme for AI trustworthiness[Paper].
In:
Görge, Rebekka; Haedecke, Elena; Poretschkin, Maximilian; Schmitz, Anna, Hrsg.,
Symposium on Scaling AI Assessments (SAIA 2024).
Symposium on Scaling AI Assessments (SAIA 2024), Cologne, Germany, 30 September - 1 October 2024.
Schloss Dagstuhl – Leibniz-Zentrum für Informatik.
S. 15:1-15:18.
Open Access Series in Informatics (OASIcs) ; 126.
Verfügbar unter: https://doi.org/10.4230/OASIcs.SAIA.2024.15
-
Billeter, Yann; Denzel, Philipp; Chavarriaga, Ricardo; Forster, Oliver; Schilling, Frank-Peter; Brunner, Stefan; Frischknecht-Gruber, Carmen; Reif, Monika Ulrike; Weng, Joanna,
2024.
MLOps as enabler of trustworthy AI[Paper].
In:
2024 11th IEEE Swiss Conference on Data Science (SDS).
11th IEEE Swiss Conference on Data Science (SDS), Zurich, Switzerland, 30-31 May 2024.
IEEE.
S. 37-40.
Verfügbar unter: https://doi.org/10.1109/SDS60720.2024.00013