Tilbake til søkeresultatene

SFI-Sentre for forskningsdrevet innovasjon

Visual Intelligence

Alternativ tittel: Visuell Intelligens

Tildelt: kr 96,0 mill.

Som et senter for forskningsdrevet innovasjon (SFI) er Visual Intelligence drevet fram i samspillet mellom næringslivets behov for nye løsninger innen kunstig intelligens (KI), offentlige institusjoners behov for digital omstilling, og behovet for grunnleggende forskning innen metodikk for dyp læring og bildeanalyse for å kunne skape grunnlag for innovasjoner. Visual Intelligence er et tyngdepunkt i Norge for dyp læring og kunstig intelligens og er et internasjonalt anerkjent miljø. Dette gjenspeiler seg i kvaliteten og størrelsen på senterets forskning og innovasjon og senterets internasjonale Northern Lights Deep Learning Conference (http://nldl.org) som arrangeres i Tromsø hver januar. Senterets kjerne er tett samarbeid mellom brukerpartnerne fra næringslivet og offentlig sektor • Equinor • Field • GE Vingmed Ultrasound • Havforskningsinstituttet • Kongsberg Satellite Services • Kreftregisteret • Universitetssykehuset i Nord-Norge/Helse Nord IKT og forskningspartnerne innen kunstig intelligens • UiT Norges arktiske universitet • Norsk regnesentral • Universitetet i Oslo Senteret har et bevisst fokus på å utnytte synergier og tverrfaglig kompetanse på tvers av medisin og helse, marin kartlegging, energifeltet, og innen jordobservasjon. Visual Intelligence (VI) har i 2023 levert en rekke resultater i form av innovasjoner for nyskapende løsninger basert på metodeforskning innen dyp læring. Vi nevner noen konkrete resultater knyttet til den enkelte brukerpartner: Equinor: Firmaet har alt et operasjonelt system for oljeleting ved KI-analyse av seismikkbilder utviklet av Norsk regnesentral før oppstart av VI. Senterets forskning har ført til nye tilnærminger for å trekke ut informasjon fra seismikk. Disse er nå under evaluering og kan gi nye KI-baserte verktøy til hjelp i prosessen rundt analyse av undergrunnen. I tillegg har senteret utviklet prototyper for analyse av mikrofossilbilder som Equinor ønsker å bruke til å aldersbestemme og samkjøre sjikt på tvers av borebrønner under havbunnen, som er nødvendig for å avgjøre om undergrunnen er egnet til f.eks karbonlagring. Field: VI har utviklet prototyper på metoder som automatisk kan finne endringer i bygningsmasse over tid fra bildedata ved hjelp av såkalt selvstyrt læring. Dette er viktig for automatisert kartlegging og kan føre til store besparelser. GE Vingmed Ultrasound: Senteret har utført forskning mot nye løsninger som kan bidra til å utvide den KI-baserte verktøykassen knyttet til firmaets ultralydscannere for avbildning av hjertet Flere prototyper er utviklet og evalueres i 2023. Løsningene har det til felles at de integrerer kunnskap om hjertets anatomi inn i de dype nettverkene. Prototypene kan alle være aktuelle for integrering i kommende versjoner av ultralydscanneren. Havforskningsinstituttet (HI): VI utfører forskning på nye typer dyp læring for analyse av akustiske bildedata spesielt ved å bedre utnytte tilgjengelige data som ikke er manuelt annotert, og ved å utvikle bedre usikkerhetsestimater i dyp læring. De nye løsningene evalueres av HI i deres dataflyt fra tokt. Nytteverdien for automatisert kartlegging av mengde og type fisk for bedre estimering av bestand og det marine økosystemet er potensielt stort. Kongsberg Satellite Services (KSAT): KSAT har i 2023 konkret testet ut ny prototype for skipdeteksjon ved analyse av radarbilder fra satelitt basert på VI-forskning. KSAT sitt operasjonelle system for skipsdeteksjon er implementert ved dyp læring og er en viktig komponent i firmaets løsninger for marin overvåking. Kreftregisteret: VI har utviklet KI-metoder som kan føre til forbedret mammografiscreening gjennom metoder for automatisk analyse av mammografibilder. Metodene testes ut på data fra Kreftregisterets mammografiscreening. En metode for evaluering av bildekvalitet er under utvikling og uttesting i samarbeid med radiografer. En modell for deteksjon av kreft i mammografibilder som utnytter forklarbar AI, utviklet i VI i 2021, har i 2023 blitt testet på et større datasett, evaluert av radiologer og sammenlignet med et kommersielt system, og resultatene er veldig gode. Universitetssykehuset i Nord-Norge (UNN)/Helse Nord IKT: VI sin forskning har for eksempel ført til en ny metode for diagnosestøtte ved nukleærmedisinsk PET avbildning ved dyp læring. Forskningen har tatt et eget innovasjonsløp i samarbeid med Norinnova (kommersialisering av forskning og innovasjonsprosjekter) muligens mot lisensiering av software. Visual Intelligence fokuserer tungt på å løse grunnleggende utfordringer innen innen dyp læring som er felles for innovasjonsområdene og opererer der på høyt internasjonalt nivå og leverer forskning på nivå av et senter for fremragende forskning. Våre nye metoder lærer fra begrensede data, utnytter kontekst, kvantiserer usikkerhet, og er tolkbar. VI har i 2023 publisert i de absolutt beste journaler og konferanser innen feltet dyp læring (CVPR, ICLR, NeurIPS, etc).

The user partners of Visual Intelligence all aim at becoming more data-driven, where information extraction from digital visual data is an essential part of this and important for their value creation. They all have very complex imagery, acquired from a variety of sensors. The biggest drivers in the recent progress of AI systems for computer vision is the use of deep learning. However, there is still a long way before the full potential of deep learning is realized for applications and industries relying on more complex visual data. This is especially the case when annotated visual data are scarce and experts are needed to interpret them. Visual Intelligence aims to unlock the unused potential of deep learning methodology for extraction of knowledge from complex image data. To achieve this the centre will develop solutions for (i) learning from limited data; (ii) exploiting context and prior knowledge; (iii) estimation of confidence and uncertainties; and (iv) explainable models. This will create value for the user partners across our main innovation areas: -Medicine and health -Marine science -Energy and industry -Earth observation. Through this the centre will develop innovations that will contribute to solving important societal challenges related to health, resource management and climate monitoring by leading to better tools for: -Detecting heart disease and cancer -Monitoring and detecting natural resources -Monitoring the environment and climate -Monitoring risk and potential natural disasters. The strong combined research capacity in machine learning for solving real image analysis challenges is a main asset of Visual Intelligence, enabled by the unique interlinking of top research partners and active user partners enabling crucial cross-fertilization between domains. Leveraging top class international cooperation, we will train a large number of researchers and candidates to fill a digital competence void in the Norwegian business and public sector.

Publikasjoner hentet fra Cristin

Budsjettformål:

SFI-Sentre for forskningsdrevet innovasjon

Temaer og emner

FNs BærekraftsmålFNs BærekraftsmålMål 15 Liv på landFNs BærekraftsmålMål 3 God helseFNs BærekraftsmålMål 14 Liv under vannBransjer og næringerMiljø - NæringsområdeHelseFNs BærekraftsmålMål 7 Ren energi for alleKlimaGlobale klimautfordringerKlimarelevant forskningBransjer og næringerEnergi - NæringsområdeIKT forskningsområdeMenneske, samfunn og teknologiLTP3 HelseLTP3 Klima, miljø og energiBransjer og næringerHelsenæringenBransjer og næringerIKT-næringenLTP3 Klima, polar og miljøIKT forskningsområdeKunstig intelligens, maskinlæring og dataanalysePortefølje Klima og miljøBransjer og næringerMaritim - NæringsområdePortefølje HelseDigitalisering og bruk av IKTOffentlig sektorFornyelse og innovasjon i offentlig sektorKlimaFornyelse og innovasjon i offentlig sektorForskning for fornyelse av offentlig sektorLTP3 Innovasjon i stat og kommuneGrunnforskningAnvendt forskningDelportefølje KvalitetPolitikk- og forvaltningsområderDigitaliseringDelportefølje Et velfungerende forskningssystemIKT forskningsområdeVisualisering og brukergrensesnittInternasjonaliseringLTP3 Fagmiljøer og talenterIKT forskningsområdeDigitalisering og bruk av IKTPrivat sektorLTP3 Høy kvalitet og tilgjengelighetLTP3 Styrket konkurransekraft og innovasjonsevnePolitikk- og forvaltningsområderPortefølje Banebrytende forskningPortefølje Muliggjørende teknologierDelportefølje InternasjonaliseringDigitalisering og bruk av IKTInternasjonaliseringInternasjonalt prosjektsamarbeidLTP3 Et kunnskapsintensivt næringsliv i hele landetBransjer og næringerLTP3 IKT og digital transformasjonPortefølje ForskningssystemetLTP3 Muliggjørende og industrielle teknologierPortefølje Innovasjon