Arijit Biswas

link: http://www.umiacs.umd.edu/~arijit/research_1.html

Teadusuuringute huvid

arijit_face_1Arvuti Nägemine: Arvuti Nägemine Inimese-in-the-kaarde, Sotsiaalne Võrgustik Kujutise Analüüs, Pildi Ülekanne, Osad ja Atribuutide Pildid, Meditsiini-Kujutise Analüüs, Pilt ja Video Töötlemine, Objekti ja stseenituvastussüsteem, 3-d Rekonstrueerimine.

Machine Learning: Aktiivne Õppimine, Klastrite, Sügav Õppimine ja närvivõrgud

Muud: Crowdsourcing -, Inim-Arvuti Interaktsioon, Bio-inspireeritud Optimeerimine

Teadus 

Olen töötanud Arvuti Nägemine Inimese Loop, kus inimesed teevad/suhelda, arvuti nägemine algoritmid, muuta neid paremaks ja tõhusamaks (sageli nimetatud kui Aktiivset Õppimist Masin Õppe kogukond).

Olen uurinud probleemi pilt rajamist. Kuigi seal on palju suurepäraseid klasterdamise algoritmid, tõhusate klastrite on endiselt väga keeruline andmekogumid, mis sisaldavad palju klasse. Oleme välja töötanud mitmeid meetodeid, et klastri pildid täpselt.

Üks meie arusaamu me kasutame pairwise piiranguid alates inimeste klastri pilte. Algoritm annab meile pairwise pildi sarnasusi. Me siis aktiivselt saada valitud, täpsem pairwise sarnasusi inimese kohta. Uudne meetod on välja töötatud selleks, et valida kõige kasulikum paari näidata isik, saamise piiranguid, et parandada rajamist.

Teise lähenemisviisi asemel klastrite täielik andmekogum, me ainult klastri alamhulk andmed; palume, et subclustering. See on kasulik suurte andmekogumite (50.000 või rohkem), palju klasse. Kuna suur märgistamata pildi kollektsioonid on väga levinud nendel päevadel subclustering võib olla erinevaid rakendusi, sealhulgas lugemas pilti andmebaaside, pildi otsida, kokkuvõtteks pilti andmebaaside kategooria discovery jne.

Olen töötanud kasutaja modelleerimine alates sotsiaalne võrgustik, pilte, kui ma olin juures, Xerox PARC töötamine Dr. Eugene Bart.

Olen töötanud kasutades suhteline täiendid tagasiside klassifikatsioonis õppimist. Me oleme näinud, et me saaks teada, klassifikaatorite kiire kui järelevalveasutused edastavad rohkem informatsiooni, et õppija kohta pildi domeeni poolest atribuudid. (töö TTIC with Dr Devi Parikh).

Olen töötanud Leafsnap. Leafsnap on iPhone ‘ i ja ipadi rakenduse (mis vabaneb Mai, 2011) taime liikide määramine. See on ühisprojekt, mille University of Maryland, College Park, Columbia Ülikool ja Smithsonian Institution.

Olen koostööd teinud ka iSchool kell UMD arendamiseks lihtne arvutimäng (Imelikud Lehed Välja) leida märgistamise vigu suur pilt andmebaasides.