540f65333f57f89e2b954bc4_top_coatofarms_v2.png
540f65135b848513272c60bb_top_ornament_v2.png
2009
543aaffd1b4ea3f7344afcba_1st_prize.png
informatika
Tornai Gábor János
Nívóhalmaz alapú algoritmusok CNN univerzális gépen
Témavezető:
Dr. Cserey György
Összefoglaló
Az ember számára az értelmes látás természetes velejárója az életnek. Látórendszerünk struktúrájának és a korai gyermekkor alatt lezajló tanulásnak köszönhetően sajátítjuk el a nélkülözhetetlen készségeket.
Amióta digitális eszközökkel képeket nyerünk a környezetünkből, folyamatosan felmerül az igénye, hogy a számítógép is hasonlóan ,,lásson”, mint mi, emberek. A mesterséges látás aktívan kutatott terület, amely számos nehéz problémájának egyike az objektumok konturdetekciója és képről képre történő követése. Az elmúlt évtizedben a Celluláris Neurális-Nemlineáris Hálózat (CNN) igen sok érdekes problémát megoldott, főként a képfeldolgozás területén. A lokális kapcsolatainak köszönhetően - egy cella csak a közeli szomszédjaival van összeköttetésben - mondhatjuk, hogy ez nagyon jól illeszkedő számítási paradigma képfeldolgozási problémákhoz.

Ebben a dolgozatban 2D és 3D tér-időbeli algoritmusokat szeretnék bemutatni. Az algoritmusok nívóhalmazok használatán alapulnak, valamint igyekeznek kihasználni a CNN lokális kapcsolataiban rejlő előnyöket. A dolgozat fő célja, hogy lehetséges továbblépést mutasson, és párhuzamos implementációját adja - a helyi kölcsönhatások ötletét kibontva - egy gyors nívóhalmaz algoritmusnak [Shi, 2005]. Az implementált CNN algoritmusok több kiinduló görbét kezelnek, melyek
a feladatnak megfelelően olvadnak össze, vagy őrzik meg önllóságukat (például orvosi képek feldolgozásánál lehet erre szükség). Ez kiváló alap lehet gyors regisztrációhoz, képszegmentációhoz valamint objektum detekcióhoz, követéshez. Jelen munkában igyekeztünk robosztus algoritmusokat kifejleszteni. Igyekeztünk szem előtt tartani a hibatűrést. Az orvosi adatokon végzett szimulációs eredmények azt bizonyítják, hogy ez a célkitűzésünk sikerült.
Tornai Gábor János
Tornai Gábor János
Megtanított nagyobb lélegzetvételű feladaton dolgozni, illetve hogyan kell egy adott problémát megfogni. Elkezdtem megérteni, hogy mi az elmélyült munka és hogyan érdemes kérdéseket feltenni. 7 év távlatából visszanézve az egyik doktori tématerületem csírája ebben a munkában található. Soha nem fogom elfelejteni azt az örömet, amit akkor éreztem, amikor elsőként működött, amit hetek munkájával raktam össze.
Curriculum Vitae
Education

Pázmány Péter Catholic University, Hungary
Interdisciplinary Doctoral School 2009-2014

• Ph.D. in Electrical Engineering and Computer Science

• Dissertation: Medical imaging algorithms on kiloprocessor chips

• Advisors: Tamás Roska & György Cserey

Faculty of Information Technology and Bionics 2004-2009

• Msc thesis topic: Fast Level Set algorithms on CNN-UM

• Area of study: neuromorf information technology, robotics, bionics


Professional Experience

Streamnovation Ltd.
Software R&D 2013-Currently

• Quantum chemistry calculations over Gaussian basis functions on GPUs

• Nvidia GPU, AMD SI GPU, C++, CUDA, OpenCL

General Electric Healthcare
Software R&D 2008-2009

• Medical image registration algorithm development – fast DRR generation

• Nvidia GPU, C/C++, CUDA, VTK
Dr. Cserey György
Dr. Cserey György
Adatok feltöltés alatt