Bildanalys och maskininlärning

Vi människor tar in enorma mängder information genom våra ögon och vi litar på vårt synsinne mer än på något annat av våra sinnen. Infångad av en mängd olika sensorer - digitalkameror, mikroskop, datortomografer, teleskop och många fler - lagras visuell information numera som digitala bilder i oändliga mängder. För att effektivt kunna extrahera användbar information från digitala bilder analyserar vi dem med datorer. Utveckling av algoritmer som gör det möjligt för våra datorer att "se" är i fokus inom området digital bildanalys.

De första datorerna som var tillräckligt kraftfulla för att utföra meningsfulla bildanalysuppgifter kom på 1960-talet och användes för att förbättra kvaliteten på de första satellitbilderna av månen. Med utvecklingen av datortomografi (CT) på 1970-talet introducerades digital bildbehandling i medicinen, som har blivit en av dess viktigaste tillämpningsområden. Med den fortsatt snabba utvecklingen av både datorer och olika bildsensorer har effektiv analys av visuella data blivit en ständigt närvarande utmaning och inspiration - att studera avlägsna stjärnor, att upptäcka nanometer-små virus eller att utrusta robotar och bilar med ett "visuellt system" som gör det möjligt för dem att se, förstå och navigera sin omgivning.

Strävan efter att analysera och tolka visuella data har också lett utvecklingen av de flesta moderna algoritmer för artificiell intelligens, idag allmänt använda i våra dagliga liv.

Utvecklingen av moderna bildanalysmetoder bygger på kombinerad kunskap från flera områden, först och främst datavetenskap och matematik, men även fysik, teknik och en hel rad kompetenser från tillämpningsdomänerna. Numera är maskininlärningsbaserade tillvägagångssätt, och i synnerhet djupa faltningsneuronnät, centrala inom bildanalys, som i hög grad förlitar sig på sannolikhetsteori, statistik och optimering.

Med en utbildning i bildanalys och maskininlärning har du möjlighet att bidra till utvecklingen av visuell intelligens hos morgondagens maskiner.