László Marák, PhD.

Meno:	László Marák, PhD.
Fakulta:	Fakulta ekonómie a informatiky
Katedra:	Katedra informatiky
Pracovné zaradenie:	Odborný asistent
Kancelária:
E-mail:
Telefón:	+421 35 32 60 ***

Životopis
Výskumná činnosť
Publikácie
Ďalšie informácie

Vysokoškolské vzdelanie

Université Marne-la-Vallée

Spracúvanie obrazov

2008 - 2007

Doktorandské štúdium

Université Paris-Est

Spracúvanie obrazov

2008 - 2011

Pracovné pozície

Univerzita J. Selyeho

Odborný pracovník

2018 -

Oblasť výskumu S prijatím algoritmov strojového učenia na úlohy spracovania obrazu a stále rastúcou potrebou aplikácií pre vstavané zariadenia používajú vývojári niekoľko metód na optimalizáciu výpočtovej účinnosti svojich aplikácií. Optimalizácia algoritmov môže byť náročná a vývojári musia uplatňovať netriviálne stratégie na efektívnejšie využívanie výpočtových zdrojov počítačových architektúr. MLP je základný algoritmus strojového učenia a umelej inteligencie a je vynikajúcim príkladom ťažkostí spojených s programovaním a optimalizáciou GPGPU. Ako samostatný postreh rozoberáme správu pamäte GPU a metódy na zjednodušenie procesu prideľovania pamäte. Optimalizované algoritmy strojového učenia môžu mať priemyselné aplikácie, napríklad pri výrobe lacných výrobkov s vysokým množstvom. Keďže počas výroby dochádza k chybám, je dôležité vedieť odhaliť neplatné výrobky, aby sa zabezpečila stála kvalita vyrábaných výrobkov. Manuálne zabezpečenie kvality pomocou ľudských operátorov je náchylné na chyby a nákladné riešenie. Preto vyvíjame metódu klasifikácie obrazu, ktorá využíva nízkonákladový komerčný kamerový systém a spolieha sa na znaky podobné Haarovej metóde v kombinácii s výberom znakov maximálnej relevantnosti a minimálnej redundancie s cieľom odhaliť neplatné výrobky na konci výrobného procesu. Optimalizované algoritmy strojového učenia môžu mať priemyselné využitie, napríklad pri výrobe nízkonákladových výrobkov vo veľkom množstve. Keďže počas výroby dochádza k chybám, je dôležité, aby bolo možné odhaliť neplatné výrobky, aby sa zabezpečila stála kvalita vyrábaných výrobkov. Manuálne zabezpečovanie kvality pomocou ľudských operátorov je náchylné na chyby a nákladné riešenie. Preto vyvíjame metódu klasifikácie obrazu, ktorá využíva nízkonákladový komerčný kamerový systém a spolieha sa na znaky podobné Haarovej metóde v kombinácii s výberom znakov maximálnej relevantnosti a minimálnej redundancie s cieľom odhaliť neplatné výrobky na konci výrobného procesu. Pri ďalšom zdokonaľovaní potrubia na získavanie vizuálnych informácií sa s nástupom aplikácií rozšírenej reality (AR), zmiešanej reality (MR) a virtuálnej reality (VR) stáva čoraz dôležitejším aj problém sledovania uhla kamery alebo formálnejšie povedané problém perspektívneho N-bodu (PNP). Presné sledovanie uhla kamery sa týka problému určenia polohy kamery vzhľadom na prostredie v okamihu expozície. Existuje niekoľko kľúčových vlastností kamery, ktoré musia byť známe, aby bolo možné zabezpečiť presné určenie polohy. Sú to vlastné parametre kamery, skreslenie objektívu kamery a presný 3D model prostredia. V našej práci sme vyvinuli nový prístup ku kalibrácii objektívu fotoaparátu, ktorý poskytuje presnejšiu a reprodukovateľnejšiu kalibráciu vlastného skreslenia a skreslenia objektívu. Chceli by sme konkrétne predstaviť dve vylepšenia: Po prvé, predstavili sme nový kalibračný vzor, ktorý je odolnejší voči problému polohovania kalibračného zariadenia. Tento problém vedie k nerovnomernému rozloženiu kalibračných bodov na objektíve kamery. Po druhé, predstavili sme vylepšený kalibračný algoritmus, ktorý poskytuje presnejší odhad vnútorných parametrov a je menej závislý od od aktuálneho umiestnenia kalibračného zariadenia ako bežne používané algoritmy. Ako vedľajší záujem sme skúmali hlasovanie, ktoré je dôležitým postupom v demokratických procesoch. Cieľom našej práce bolo navrhnúť originálny protokol elektronického hlasovania. Vysvetlili sme teoretické východiská a technické koncepty nášho hlasovacieho protokolu. Poskytli sme aj formálne ukážky nášho navrhovaného algoritmu. Naším cieľom bolo ukázať, že môžeme navrhnúť hlasovacie protokoly, ktoré sú porovnateľné s tradičnými metódami demokratických volieb.

Prehľad publikačnej činnosti evidované v databáze CREPČ2 (Centrálny register evidencie publikačnej činnosti)

Stiahnuť

Skupina V - Vedecký výstup publikačnej činnosti (V1, V2, V3)

Počet výstupov: 6

V3 Vedecký výstup publikačnej činnosti z časopisu (6)

Skupina O - Odborný výstup publikačnej činnosti (O1, O2, O3)

Počet výstupov: 0

Skupina P - Pedagogický výstup publikačnej činnosti (P1, P2)

Počet výstupov: 0

Skupina U - Umelecký výstup publikačnej činnosti (U1, U2, U3)

Počet výstupov: 0

Skupina D - Dokument práv duševného vlastníctva (D1)

Počet výstupov: 0

Skupina I - Iný výstup publikačnej činnosti (I1, I2, I3)

Počet výstupov: 0

Skupina A1 - Knižné publikácie charakteru vedeckej monografie (AAA, AAB, ABA, ABB, ABC, ABD)

Počet výstupov: 0

Skupina A2 - Ostatné knižné publikácie (ACA, ACB, BAA, BAB, BCB, BCI, CAA, CAB, EAI, EAJ, FAI)

Počet výstupov: 0

Skupina B - Publikácie v karentovaných časopisoch alebo registrované vo WoS a Scopus (ADC, ADD, BDC, BDD, CDC, CDD, ADM, ADN, BDM, BDN)

Počet výstupov: 0

Skupina P - Patenty (AGJ)

Počet výstupov: 0

Skupina D - Ostatné sledované publikácie (ACC, ACD, ADE, ADF, AEC, AED, AEG, AEH, AFA, AFB, AFC, AFD, AFE, AFF, AFG, AFH, AEM, AEN, BBA, BBB, BCK, BDA, BDB, BDE, BDF, BEE, BEF, BFA, BFB, CBA, CBB, CDE, CDF)

Počet výstupov: 0

Skupina O - Iné, nesledované publikácie (AFK, AFL, AGI, CAI, CAJ, CEC, CED, CGC, CGD, CIA, CIB, CJA, CJB, CKA, CKB, DAI, EDI, EDJ, GAI, GHG, GII)

Počet výstupov: 0

Ostatné - mimo kategórií MŠSR

Počet výstupov: 0

Počet výstupov spolu: 6

ŠTATISTIKA OHLASOV: 1

Štatistika ohlasov s kategóriou podľa Vyhlášky č. 397/2020 Z. z: počet ohlasov: 1

Citácia v publikácii registrovaná v citačných indexoch: počet ohlasov: 1

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