• Zaznavanje napak z računalniškim vidom
Novice

Vitjan Zavrtanik je mladi raziskovalec v Laboratoriju za umetne vizualne spoznavne sisteme ter doktorski študent na FRI, ki se primarno ukvarja z zaznavanjem anomalij na slikah. Na Dnevu fakultete 2022 je prejel nagrado za raziskovalno delo podiplomskih študentov za objavo konferenčnega prispevka na mednarodni konferenci European Conference on Computer Vision 2022, ki ga je napisal pod mentorstvom in v soavtorstvu s prof. dr. Matejem Kristanom in prof. dr. Danijelom Skočajem.


Z Vitjanom Zavrtanikom smo se pogovarjali o njegovih izkušnjah z doktorskim študijem in razvoju metod za detekcijo anomalij na slikah.

 

Kako je pri tebi dozorela odločitev za doktorski študij?

Že kot študent druge stopnje sem sodeloval v Laboratoriju za umetne vizualne spoznavne sisteme. Izkušnje, pridobljene v laboratoriju, so mi omogočale pridobitev prakse v podjetju Amazon, kjer sem delal kot raziskovalec na področju računalniškega vida. Delo na področju mi je bilo zanimivo, všeč pa mi je bilo tudi raziskovalno delo, zato vpis na doktorat ni bila težka odločitev.

 

Kaj je tvoje raziskovalno področje?

Moje glavno raziskovalno področje in tema mojega doktorata je detekcija anomalij na slikah. Glavna naloga metod za detekcijo anomalij je iskanje nekonsistentnosti v slikovnih podatkih. Eden izmed problemov, ki ga detekcija anomalij rešuje, je iskanje napak na izdelkih na produkcijskih linijah. Med proizvodnim procesom se na izdelkih pojavljajo napake. V veliko proizvodnih procesih se za detekcijo napak uporablja ročno pregledovanje. Avtomatizacija tega postopka lahko pospeši proizvodnjo, vendar pa je problem avtomatske detekcije napak težek, saj lahko izgled napake variira, poleg tega pa je na voljo le malo primerov napak, na katerih lahko naučimo model računalniškega vida.

 

S čim se trenutno ukvarjaš?

Trenutno delam na večih projektih. Večinoma se ukvarjam z nenadzorovanimi metodami detekcije anomalij, katerih cilj je učenje modela slikovnih podatkov brez anomalij in detekcija odstopanja od tega naučenega modela normalnosti. Nenadzorovane metode, ki sem jih v sklopu raziskovalnega dela razvil, izboljšujem in prilagajam za delovanje na podaktih drugih senzorjev, npr. na 3D podatkih. To nam omogoča detekcijo napak brez samih primerov napak, saj se nenadzovorani modeli naučijo le pravilnega izgleda objektov, odstopanje od pravilnega izgleda pa se da zaznati kot napako. Poleg dela na detekciji anomalij pa se ukvarjam še z velikimi generativnimi modeli za generiranje učnih podatkov za segmentacijske metode. V zadnjem letu so metode za generiranje slik na podlagi besedila doživele izjemen napredek. Ukvarjam se s prilagajanjem teh metod za generiranje slik na podlagi segmentacijskih mask. Cilj je generiranje slik, ki so dovolj visoke kvalitete za učenje segmentacijskih metod. Zadnje čase sodelujem tudi pri razvoju metod štetja objektov.

 

V letu 2022 si na Dnevu FRI prejel posebno priznanje oz. nagrado za raziskovalno delo za konferenčni prispevek z naslovom DSR – A Dual Subspace Re-Projection Network for Surface Anomaly Detection. Kaj so najbolj zanimivi zaključki tega prispevka?

Med uspešnejšimi nenadzorovanimi metodami za detekcijo anomalij so diskriminativne metode, ki se detekcije napak učijo preko simuliranih anomalij. Večinoma se anomalije simulira tako, da se delček učne slike zamenja z delčkom neke druge slike, mreža pa mora to zamenjavo zaznati. Problem teh metod je, da je izgled simuliranih anomalij omejen in ne ravno realističen. To omogoča prekomerno prilagajanje teh metod na način simuliranja anomalij in posledično povzroči slabšo detekcijo na realnih primerih. Metoda, predstavljena v članku, anomalij ne simulira na slikah, temveč v podprostoru značilk, ki jih iz slike pridobi naučena mreža. To bistveno omili problem prekomernega prilagajanja modela na simulirane anomalije in izboljša sposobnost detekcije.

 

Koliko so rezultati uporabni v praksi?

Predlagana metoda DSR je hitra, kar jo naredi še posebej primerno za uporabo v praksi pri problemih iskanja napak na izdelkih.

 

Kaj si želiš početi po študiju?

Trenutno se na področju umetne inteligence odvija obdobje velikih napredkov. Zdi se mi, da priložnosti za nadaljnje zanimivo delo v prihodnjih letih ne bo manjkalo tako v industriji kot na raziskovalnih institucijah.

 

Kaj bi svetoval vsem, ki se odločajo o nadaljevanju študija na FRI na doktorski ravni?

Doktorski študij priporočam osebam, ki jih neko raziskovalno področje zelo zanima. V raziskovalno delo je v sklopu doktorata potrebno vložiti veliko truda in časa, vendar pa čas temi, ki te resnično zanima, z veseljem posvetiš.

 

---

 

Tudi vas zanima raziskovanje? Vabimo vas, da se nam pridružite na informativnem dnevu za doktorski študijski program Računalništvo in informatika, ki bo v sredo, 5. aprila 2023, ob 16.00 na Fakulteti za računalništvo in informatiko,Večna pot 113, Ljubljana.