Zespół Biometrii i Uczenia Maszynowego
Wiadomości
Luty 2025: materiały konferencyjne - Rasel Ahmed Bhuiyan, Mateusz Trokielewicz, Piotr Maciejewicz, Sherri Bucher, Adam Czajka. "Iris Recognition for Infants" Proceedings of the Winter Conference on Applications of Computer Vision (WACV) Workshops, February 2025, pp. 83-92.
Grudzień 2024: czasopisma recenzowane - Mateusz Trokielewicz, Piotr Maciejewicz, Adam Czajka. "Post-mortem iris biometrics – Field, applications and methods." Forensic Science International, Volume 365, 2024, Article 112293. ISSN 0379-0738. https://doi.org/10.1016/j .forsciint.2024.112293.
Kwiecień 2024: czasopisma recenzowane - Adrian Kordas, Ewelina Bartuzi-Trokielewicz, Michał Ołowski, Mateusz Trokielewicz, "Synthetic Iris Images: A Comparative Analysis between Cartesian and Polar Representation" 2024, Sensors, 24(7), 2269, https://doi.org/10.3390/ s24072269
Maj 2023: Weronika Gutfeter obroniła rozprawę doktorską pod tytułem „Identyfikacja twarzy na podstawie obrazów wieloujęciowych z zastosowaniem głębokich sieci agregujących”. Praca została przygotowana pod opieką prof. dr hab. inż. Andrzeja Pacuta. Gratulujemy!
Learning mechanisms with geographical localization of knowledge for adaptive routing control in mobile ad-hoc networks
Autor: Michał Kudelski
["Algorytm mrówkowy z rozproszoną geograficzną lokalizacją wiedzy w zastosowaniu do adaptacyjnego sterowania rutingiem w sieciach ad-hoc"]
Promotor: A.Pacut
Wiedza gromadzona przez agentów rutingu w trakcie trwania procesu uczenia jest logicznie powiązana z lokalizacjami geograficznymi celem dopasowania reprezentacji oraz organizacji wiedzy do pewnych właściwości przestrzennych sieci ad-hoc wynikających z zastosowania komunikacji radiowej. Węzły sieci ad-hoc, przemieszczając się pomiędzy poszczególnymi lokalizacjami w sieci, powinny wymieniać między sobą informację w taki sposób, aby zachować jej logiczne powiązanie z tymi lokalizacjami. Koncepcja GLW jest spójna z inspirowaną biologicznie koncepcją algorytmów mrówkowych, gdzie nośnikiem informacji jest substancja feromonowa, która z założenia powiązana jest z lokalizacją w przestrzeni. Zastosowanie koncepcji GLW może poprawić działanie mechanizmu uczenia, a tym samym poprawić jakość sterowania rutingiem i zwiększyć obszar zastosowania algorytmów wykorzystujących proces uczenia w mobilnych sieciach telekomunikacyjnych typu ad-hoc.
Znane są z publikacji wyniki badań nad zastosowaniem mechanizmów uczenia w sieciach ad-hoc. Mechanizmy takie jak uczenie ze wzmocnieniem, algorytmy mrówkowe, automaty uczące, uczenie z nadzorem czy systemy immunologiczne z powodzeniem stosowane były do rozwiązywania problemów sieci ad-hoc takich jak ruting, zapewnianie jakości usług (QoS), szacowanie wiarygodności węzłów czy sterowanie mobilnością węzłów. W żadnej ze znanych prac nie zaproponowano jednak mechanizmu uczenia z rozproszoną geograficzną lokalizacją wiedzy.

