Név: László Marák, PhD. Kar: Gazdaságtudományi és Informatikai Kar Tanszék: Informatika Tanszék Beosztás: Adjunktus Iroda: E-mail: Telefon: +421 35 32 60 ***

• Életrajz
• Kutatás
• Publikációk
• Egyéb információk

Egyetemi tanulmányok

Université Marne-la-Vallée

Képfeldolgozás

2008 - 2007

Doktori képzés (PhD.)

Université Paris-Est

Képfeldolgozás

2008 - 2011

Munkaviszonyok

Selye János Egyetem

Adjunktus

2018 -

Kutatási terület

A gépi tanulási algoritmusok képfeldolgozási feladatokhoz való elterjedésével és a beágyazott eszközalkalmazások egyre növekvő igényével a fejlesztők számos módszert alkalmaznak az alkalmazások számítási hatékonyságának optimalizálására. Az algoritmusok optimalizálása kihívást jelenthet, és a fejlesztőknek nem triviális stratégiákat kell alkalmazniuk a számítógépes architektúrák számítási erőforrásainak hatékonyabb kihasználása érdekében. Az MLP a gépi tanulás és a mesterséges intelligencia egyik alapvető algoritmusa, és kiváló példa a GPGPU programozással és optimalizálással kapcsolatos nehézségekre. Önálló megfigyelésként tárgyaljuk a GPU-k memóriakezelését és a memóriaelosztás egyszerűsítésére szolgáló módszereket. Az optimalizált gépi tanulási algoritmusok ipari alkalmazásokban is alkalmazhatók, például alacsony költségű, nagy mennyiségű termékek gyártásában. Mivel a gyártás során előfordulnak hibák, fontos, hogy képesek legyünk felismerni az érvénytelen termékeket, hogy biztosítsuk az előállított termékek egyenletes minőségét. A kézi minőségbiztosítás emberi kezelőket alkalmazva hibakényes és költséges megoldás. Ezért kifejlesztünk egy képosztályozási módszert, amely egy alacsony költségű kereskedelmi kamerarendszert használ, és a Haar-szerű jellemzőkkel kombinált, maximális relevanciájú, minimális redundanciájú jellemzők kiválasztásával kombinált Haar-szerű jellemzőkre támaszkodik, hogy a gyártási folyamat végén felismerje az érvénytelen termékeket. A vizuális felvételkészítés további javítása, a kiterjesztett valóság (AR), a kevert valóság (MR) és a virtuális valóság (VR) alkalmazások megjelenésével egyre fontosabbá válik a kameraszög-követés vagy formálisabban a perspektivikus N-pont (PNP) probléma is. A pontos kameraszögkövetés a kamera pozíciójának a környezethez viszonyított meghatározásának problémájára utal a felvétel pillanatában.  A kamerának van néhány kulcsfontosságú tulajdonsága, amelyek ismerni kell a pontos pozicionáláshoz. Ezek a kamera belső paraméterei, a kamera objektív torzítása és a környezet pontos 3D modellje. Munkánk során egy új kamera objektív kalibrációs megközelítést dolgoztunk ki, amely pontosabb és reprodukálhatóbb belső és torzító objektív kalibrációt biztosít. Konkrétan két fejlesztést szeretnénk bemutatni: Először is, bemutattunk egy új kalibrációs mintát, amely immunisabb a kalibrálóberendezés pozicionálási problémájára. Ez a probléma a kalibrációs pontok egyenetlen eloszlását eredményezi a kamera objektívjén. Másodszor, bemutattunk egy továbbfejlesztett kalibrációs algoritmust, amely pontosabb intrinsic paraméterbecslést biztosít, és kevésbé függ a kalibráló berendezés tényleges helyzetétől, mint az általánosan használt algoritmusok. Mellékesen foglalkoztunk a szavazással, amely a demokratikus folyamatok egyik fontos eljárása. Munkánk célja az volt, hogy egy eredeti elektronikus szavazási protokollt javasoljunk. Elmagyaráztuk a szavazási protokollunk elméleti hátterét és technikai koncepcióit. Formális demonstrációkat is nyújtottunk a javasolt algoritmusunkhoz. Célunk volt megmutatni, hogy olyan szavazási protokollokat tudunk tervezni, amelyek összehasonlíthatóak a demokratikus választások hagyományos módszereivel.

Letöltés

https://www.linkedin.com/e/fpf/344458956