studijní program

Information Technology

Fakulta: FITZkratka: DIT-ENAk. rok: 2022/2023

Typ studijního programu: doktorský

Kód studijního programu: P0613D140029

Udělovaný titul: Ph.D.

Jazyk výuky: angličtina

Poplatek za studium: 4000 EUR/ročně pro studenty z EU, 4000 EUR/ročně pro studenty mimo EU

Akreditace: 8.12.2020 - 8.12.2030

Profil programu

Akademicky zaměřený

Forma studia

Kombinované studium

Standardní doba studia

4 roky

Garant programu

Oborová rada

Oblasti vzdělávání

Oblast Téma Podíl [%]
Informatika Bez tematického okruhu 100

Cíle studia

Cílem studijního programu je poskytnout vynikajícím absolventům magisterského studia specializované univerzitní vzdělání nejvyššího typu v informatice a výpočetní technice, zvláště pak v oblastech, ve kterých se profilují výzkumné skupiny FIT, a ve vztahu k výzkumným projektům řešeným na FIT:

  • akcelerované síťové technologie,
  • automatizovaná analýza, verifikace a syntéza,
  • efektivní techniky práce s automaty a logikami a jejich aplikace,
  • bezpečnost,
  • dolování dat z řečí,
  • evolvable hardware,
  • formální modely,
  • hardware-software codesign,
  • informační a databázové systémy,
  • inteligentní systémy,
  • management v softwarovém inženýrství,
  • modelování a optimalizace systémů,
  • nekonvenční číslicové obvody,
  • počítačová grafika,
  • počítačové sítě a vestavěné systémy,
  • robotika,
  • superpočítačové technologie,
  • systémy odolné proti poruchám, diagnostika a testování,
  • vysoce náročné výpočty,
  • znalostní technologie a
  • zpracování obrazu a videa.
Vzdělání získané v tomto studijním programu zahrnuje průpravu a atestaci k vědecké práci.

Profil absolventa

Absolventi doktorského studijního programu Information Technology jsou schopni samostatně provádět vědecko-výzkumnou činnost a tvůrčím způsobem řešit složité teoretické, návrhové, verifikační, testovací, implementační a inovační problémy v oblasti informatiky. Jsou vybaveni pokročilými znalostmi jak z teoretické informatiky, tak i z oblasti algoritmizace, tvorby software i hardware a zkušenostmi s jejich uplatněním v různých aplikacích. Hlavní důraz a cíl studia je směřován na vědeckou a tvůrčí činnost a představení výstupů této činnosti vědecké komunitě na mezinárodní úrovni, zejména ve formě publikačních výstupů. Další nedílnou součástí je získání zkušeností s prací v týmu a pravidelná prezentace dosažených výsledků, nejdříve pro kolegy na FIT a později na mezinárodních vědeckých konferencích. Absolventi doktorského studijního programu mají tedy nejen teoretické a specializované znalosti dle svého odborného zaměření, ale zároveň i zkušenosti s publikační činností a uplatněním a prezentací výsledků na mezinárodní úrovni. 

Charakteristika profesí

Absolventi FIT obecně a absolventi doktorského studia zejména nemají problém najít uplatnění jako vědečtí, pedagogičtí či řídicí pracovníci jak v ČR tak v zahraničí.

  • Absolvent doktorského studia je schopen samostatné vědecké, výzkumné a řídicí práce v oblasti informatiky, výpočetní techniky a informačních technologií. Je připraven řešit náročné koncepční, výzkumné a vývojové problémy. V praxi je schopen samostatně vést výzkum, vývoj a výrobu v oblasti moderních informačních technologií.
  • Nachází uplatnění jako tvůrčí pracovník na špičkových vědeckovýzkumných pracovištích, jako vedoucí výzkumných a vývojových týmů a též ve vědecké a pedagogické práci na vysokých školách. Absolventi tohoto programu se mohou také uplatnit při obsazování vyšších funkčních pozic v některých větších institucích a firmách, kde je vyžadována schopnost samostatně tvořivě pracovat, analyzovat složité problémy a navrhovat a realizovat nová, originální řešení.
  • Část absolventů typicky pokračuje jako tzv. "postdoc" v akademické kariéře v ČR nebo v zahraničí.

Podmínky splnění

Jsou vymezeny individuálním studijním plánem studenta, jenž specifikuje studijní předměty, které je student povinen úspěšně absolvovat, předpokládané stáže a účasti na odborných konferencích a minimální pedagogické působení v bakalářském nebo magisterském studijním programu fakulty. Úspěšné ukončení studia je podmíněno:

  • Složením státní doktorské zkoušky, při níž prokazuje student hluboké znalosti metodologických přístupů, teorií a jejích aplikací v souladu se současným stavem poznání v těch vědních disciplinách, které jsou vymezeny předměty individuálního studijního plánu studenta a tématem jeho disertační práce. Obsahem státní doktorské zkoušky je rovněž hodnocení předpokládaných cílů disertační práce, metod řešení a doposud dosažených vlastních výsledků.
  • Absolvováním části studia na zahraniční instituci v délce nejméně jednoho měsíce nebo účast na mezinárodním tvůrčím projektu s výsledky publikovanými nebo prezentovanými v zahraničí nebo jiná forma přímé účasti studenta na mezinárodní spolupráci.
  • Doložením splnění požadavků na tvůrčí činnost.
  • Obhajobou doktorské disertační práce, která je napsána v angličtině.

Student je povinen úspěšně absolvovat zkoušku z anglického jazyka a alespoň 2 předměty ze seznamu nabízených předmětů. Alespoň jeden z nich musí být z kategorie "teoretických" předmětů, kterou tvoří následující předměty: Vybraná témata z analýzy a překladu jazyků, Statistika, stochastické procesy, operační výzkum, Moderní matematické metody v informatice, Optika, Regulované gramatiky a automaty, Moderní teoretická informatika, Matematická logika, Teorie a aplikace Petriho sítí, Teorie kategorií v informatice, Vysoce náročné výpočty. 

Vytváření studijních plánů

Jsou stanovena směrnicí děkana Pravidla o organizaci studia na FIT pro sestavovaní individuálního plánu studenta.  Individuální studijní plán vychází z tématu disertační práce a podléhá schválení oborovou radou.
Předepisuje:

  • obsahové zaměření samostatné vědecké, výzkumné, vývojové činnosti a vlastní vzdělávací činnosti s ohledem na oborovou specializaci a téma disertační práce,
  • studijní předměty, které je student doktorského studia povinen absolvovat, konkrétně celkový počet předmětů a jejich časové zařazení do semestrů,
  • přehled tvůrčí činnosti, zejména stáže a pobyty na jiných pracovištích, účast na konferencích, seminářích, letních školách atp.,
  • publikační plán,
  • pedagogické působení v souladu se směrnicí fakulty Pravidla o organizaci studia na FIT  a
  • časové rozvržení studia v kontextu všech výše uvedených bodů.

https://www.fit.vut.cz/fit/info/smernice/sm2018-13.pdf

Dostupnost pro zdravotně postižené

Vysoké učení technické v Brně umožňuje studium osobám se zdravotním postižením dle § 21, odst. 1 písm. e) zákona 111/1998 Sb. vysokých školách a o změně a doplnění dalších zákonů ve znění pozdějších předpisů a dle požadavků v této oblasti vyplývajících z nařízení vlády č. 274/2016 Sb., o standardech pro akreditace ve vysokém školství, poskytuje uchazečům o studium a studentům se specifickými potřebami služby v rozsahu a formou odpovídající specifikaci uvedené v Příloze č. 3 k Pravidlům pro poskytování příspěvku a dotací veřejným vysokým školám Ministerstvem školství, mládeže a tělovýchovy, specifikující financování zvýšených nákladů na studium studentů se specifickými potřebami.

Služby pro studenty se specifickými potřebami jsou na VUT v Brně realizovány prostřednictvím aktivit specializovaného pracoviště - poradenského centra Alfons, které je součástí Institutu celoživotního vzdělávání VUT v Brně - sekce Poradenství pro studenty.

Aktivity poradenského centra a pravidla zpřístupňování studia univerzita garantuje platnou Směrnicí rektora č. 11/2017 upravující postavení uchazečů o studium a studentů se specifickými potřebami na VUT v Brně. Tato vnitřní norma garantuje minimální standardy poskytovaných služeb.
Služby poradenského centra jsou nabízeny uchazečům o studium a studentům se všemi typy zdravotního znevýhodnění uvedených ve zmíněném Metodickém standardu Ministerstva školství, mládeže a tělovýchovy.

Návaznost na další typy studijních programů

Studijní program navazuje jak na dobíhající navazující magisterský program Informační technologie, tak na nový navazující magisterský program Informační technologie a umělá inteligence.
Studenti mohou dále, podle svých potřeb a mimo své formalizované studium, také absolvovat kurzy a školení týkající se metodologie vědecké práce, publikačních a citačních dovedností, etiky, pedagogiky a tzv. měkkých dovedností, které organizuje VUT či jiné instituce.

Vypsaná témata doktorského studijního programu

  1. Analýza bezpečnosti Internetu věcí

    Tématicky se tato disertační práce orientuje na bezpečnost IoT systémů. Práce by měla obsahovat:

    • Prostudování teorie IoT systémů, jejich vlastností a možností provedení útoků.
    • Odzkoušení základních typů útoků.
    • Navržení nového způsobu ochrany.
    • Experimenty, zhodnocení výsledků a návrh směru dalšího výzkumu.

    Očekává se účast na relevantních mezinárodních konferencích a publikování v odborných či vědeckých časopisech.

    Na vedení práce se bude podílet školitel-specialista dr. Kamil Malinka.

    Školitel: Hanáček Petr, doc. Dr. Ing.

  2. Analýza útoků na bezdrátové sítě

    Tematicky se tato disertační práce orientuje na bezpečnost bezdrátových lokálních sítí. V rámci řešení by mělo dojít k seznámení se s vybranými bezdrátovými sítěmi a jejich zabezpečením. Kroky práce by měly obsahovat: prostudování teorie bezdrátových sítí, jejich vlastností a možností provedení útoků, odzkoušení základních typů útoků, navržení nového způsobu ochrany, experimenty, zhodnocení výsledků a návrh směru dalšího výzkumu.

    Očekává se účast na relevantních mezinárodních konferencích a publikování v odborných či vědeckých časopisech.

    Na vedení práce se bude podílet školitel-specialista dr. Kamil Malinka.

    Školitel: Hanáček Petr, doc. Dr. Ing.

  3. Architektury neuronových sítí pro rozpoznávání řeči a řečníka

    Téma je zaměřeno ma pokročilé architektury neuronových sítí pro rozpoznávání řeči a řečníka.  Ačkoli empiricky dosahují neuronové sítě často vynikajících výsledků, znalosti a pochopení získaných reprezentací jsou nedostatečné. Téma této disertace má ambici tuto mezeru vyplnit a studovat neuronové reprezentace pro jednotky textu a řeči různého rozsahu (od fonémů a písmen až po proslovy a dokumenty) a reprezentace získané pro izolované úlohy i více úloh současně (multi-tasking). 

    Téma souvisí s projektem GAČR exelence v základním výzkumu EXPRO "Neuronové reprezentace v multimodálním a mnohojazyčném modelování" (NEUREM3), na kterém pracujeme společně s kolegy z UFAL MFF Univerzity Karlovy v Praze. 


    Zadání vyžaduje zájem o matematiku, statistiku, strojové učení a zpracování řeči, výhodou je zběhlost v jazyce Python a jeho knihovnách pro strojové učení.

    Školitel: Burget Lukáš, doc. Ing., Ph.D.

  4. Automatické rozpoznávání řeči v letecké komunikaci


    Automatické rozpoznávání řeči (ASR) patří mezi oblíbené úlohy strojového učení, které průmysl již úspěšně používá v různých aplikacích. 

    Nedávné pokroky v "deep learning" umožnily použití řečových technologií v oblastech, kde se očekává také velmi nízká chybovost, jako je například rozpoznávání komunikace v leteckém provozu (tj. intenzivní používání mluvené řeči mezi řídícími a piloty). 

    Cílem této práce je zaměřit se na modelové učení bez transkripcí s využitím dalších pomocných informací poskytovaných jinými zdroji, jako jsou 
    radarová data nebo komunikace ADS-B (sledovací technologie, ve které letadlo určuje svou polohu pomocí satelitní navigace nebo jiných senzorů a pravidelně je vysílá). Od možné aplikace ASR lze očekávat (i) podporu hlasové komunikace v reálném čase nebo (ii) automatické zpracování a přepis velkých datových audio archivů.

    Školitel: Motlíček Petr, doc. Ing., Ph.D.

  5. Bezpečnostní analýza komunikace IoT

    Internet věcí (IoT) tvoří komunikační síť propojující různé typy zařízení v inteligentních domácnostech (smart home), budovách (smart building),  nemocnicích (smart hospital), dopravních systémech (smart traffic control) apod. Tato zařízení produkují velké množství monitorovacích dat o stavu zařízení i sledovaných veličin. Na základě dlouhodobých monitorovacích dat je možné sestavit profil daného zařízení a pak sledovat odchylky v chování zařízení, což je důležité pro detekci chyb či případných kybernetických útoků.

    Téma se zaměřuje na bezpečnostní analýzu komunikace v sítích IoT. Cílem je navrhnout způsob pro automatizované vytváření profilů chování IoT zařízení na základě monitorovacích dat a ukázat, jak lze pomocí profilů detekovat anomálie v chování IoT zařízení.


    Školitel specialista: Matoušek Petr, Ing., Ph.D., M.A.

    Školitel: Ryšavý Ondřej, doc. Ing., Ph.D.

  6. Biometrie mozku

    Výzkumný problém: Technologie biometrie umožňuje rozpoznání osoby na základě určitých jedinečných vlastností lidského těla. Je to primární nástroj pro identifikaci osoby a má různé aplikace včetně bankovnictví, bezpečnosti, imigrace atd. Proto je důležité mít spolehlivou biometrickou metodu.

    Problémy se současnými řešeními: Otisky prstů a identifikace obličeje se v dnešním světě běžně používají k ověření identity osoby. Některé další biometrické technologie zahrnují rozpoznávání hlasu, rozpoznávání chůze, rozpoznávání duhovky a rozpoznávání vzorů na sítnici. Problémy jako stárnutí však ovlivňují rozpoznání osoby na základě těchto technologií. Některé z nich lze navíc snadno replikovat, a proto může být identita osoby podvržena.

    Výzvy: Stárnutí je jednou z hlavních výzev pro jakoukoli biometrickou metodu. Kromě toho jsou hlavními problémy fyzické poškození těla a replikace biometrického identifikátoru.

    Téma práce: V rámci výzkumu bude zkoumána biometrii mozku pomocí signálů lidského elektroencefalogramu (EEG) mozku. Výzkum bude zahrnovat identifikaci jedinečných vzorců mozkové aktivity člověka. Tento přístup má tu výhodu, že je zvenčí neviditelný, a proto jej nelze replikovat ani klonovat. Vývoj mozkové biometrické metody bude zahrnovat identifikaci jedinečného vzoru z mozkových signálů, který lze použít jako identifikátor osoby.

    Pár slov o školiteli: Dr. Malik nedávno nastoupil na FIT VUT v Brně. Má desetiletou zkušenost s prací v oblasti zpracování neuro-signálů a neuro-obrazu. V současné době je v procesu zakládání výzkumné skupiny v této oblasti na FIT. Jedná se o multidisciplinární projekt, který bude zahrnovat spolupráci s klinickými lékaři. Jádro projektu však souvisí s IT. Jedná se o vývoj nové metody analýzy. Neváhejte mě kontaktovat na malik@fit.vutbr.cz

    Školitel: Malik Aamir Saeed, prof., Ph.D.

  7. Biometrie mozku

    Výzkumný problém: Technologie biometrie umožňuje rozpoznání osoby na základě určitých jedinečných vlastností lidského těla. Je to primární nástroj pro identifikaci osoby a má různé aplikace včetně bankovnictví, bezpečnosti, imigrace atd. Proto je důležité mít spolehlivou biometrickou metodu.

    Problémy se současnými řešeními: Otisky prstů a identifikace obličeje se v dnešním světě běžně používají k ověření identity osoby. Některé další biometrické technologie zahrnují rozpoznávání hlasu, rozpoznávání chůze, rozpoznávání duhovky a rozpoznávání vzorů na sítnici. Problémy jako stárnutí však ovlivňují rozpoznání osoby na základě těchto technologií. Některé z nich lze navíc snadno replikovat, a proto může být identita osoby podvržena.

    Výzvy: Stárnutí je jednou z hlavních výzev pro jakoukoli biometrickou metodu. Kromě toho jsou hlavními problémy fyzické poškození těla a replikace biometrického identifikátoru.

    Téma práce: V rámci výzkumu bude zkoumána biometrii mozku pomocí signálů lidského elektroencefalogramu (EEG) mozku. Výzkum bude zahrnovat identifikaci jedinečných vzorců mozkové aktivity člověka. Tento přístup má tu výhodu, že je zvenčí neviditelný, a proto jej nelze replikovat ani klonovat. Vývoj mozkové biometrické metody bude zahrnovat identifikaci jedinečného vzoru z mozkových signálů, který lze použít jako identifikátor osoby.

    Pár slov o školiteli: Dr. Malik nedávno nastoupil na FIT VUT v Brně. Má desetiletou zkušenost s prací v oblasti zpracování neuro-signálů a neuro-obrazu. V současné době je v procesu zakládání výzkumné skupiny v této oblasti na FIT. Jedná se o multidisciplinární projekt, který bude zahrnovat spolupráci s klinickými lékaři. Jádro projektu však souvisí s IT. Jedná se o vývoj nové metody analýzy. Neváhejte mě kontaktovat na malik@fit.vutbr.cz

    Školitel: Malik Aamir Saeed, prof., Ph.D.

  8. Detekce anomálií v průmyslové komunikaci ICS/SCADA

    Komunikace SCADA (Supervisory Control And Data Acquisition) a ICS (Industrial Control System) slouží pro monitorování a řízení činnosti průmyslových provozů, inteligentních továren či energetických sítí. Narušení této komunikace znamená ohrožení výroby důležitých součástí nebo například přerušení dodávky elektrické energie.

    Pro ochranu komunikace SCADA/ICS můžeme využít pokročilé monitorování, které vytváří profily chování běžné komunikace a detekuje odchylky (anomálie). Pro popis chování je možné využít statistické metody sbírající údaje o počtech a typech přenesených dat, můžeme modelovat komunikační vzory pomocí automatů či vytvářet modely na základě strojového učení.

    Cílem práce je popsat chování průmyslové komunikace a navrhnout vhodný způsob jejich reprezentace pomocí vícedimenzionálních profilů. Další části práce je ověřit, jaké typy anomálií je možné detekovat pomocí navržených metod a navrhnout jejich rozšíření s cílem zpřesnit detekci anomálií. 

    Téma je součástí výzkumného projektu Bezpečnostní monitorování řídící komunikace ICS v energetických sítích (BONNET).


    Školitel specialista: Matoušek Petr, Ing., Ph.D., M.A.

    Školitel: Ryšavý Ondřej, doc. Ing., Ph.D.

  9. Detekce aplikací v šifrovaném provozu

    Většina současné internetové komunikace je šifrována pomocí TLS či DTLS. Pro správu počítačové sítě a kybernetickou bezpečnost je potřeba vědět, jaké aplikace komunikují v dané síti. Pro detekci aplikací v šifrovaném provozu je možné určit komunikující aplikaci pomocí metody otisků JA3/JAS3, dále je možné provádět statistickou analýzu šifrovaného provozu či použít metody strojového učení pro určení komunikující aplikace.

    Součástí výzkumu daného tématu je rešerše a zhodnocení existujících metod pro detekci aplikací v šifrovaném provozu, dále návrh pokročilejších metod či jejich rozšíření.


    Školitel specialista: Matoušek Petr, Ing., Ph.D., M.A.

    Školitel: Ryšavý Ondřej, doc. Ing., Ph.D.

  10. Detekční mechanismus pohyblivých objektů (lasery, drony) s odhalením jejich pozice příp. zdroje vysílání

    Cílem práce je vytvoření detekčního mechanismusu pohyblivých objektů (lasery, drony) s odhalením jejich pozice příp. zdroje vysílání, konkrétně:

    • Seznámení se se zpracování videí.
    • Stanovení možností detekce dronů a laserových paprsků ve videosekvenčních datech.
    • Návrh a implementace algoritmu pro detekci dronu anebo laserových paprsků v obrazu .
    • Návrh a implementace algoritmu pro spočtení pozice dronu či stanovení zdroje vysílání laserového záření.
    • Provedení experimentů a shrnutí dosažených výsledků.
    Očekává se účast na významných mezinárodních konferencích a publikování v odborných či vědeckých časopisech. Zahraniční stáž je možná a silně podporovaná. Tato práce bude řešena v rámci spolupráce s Armádou ČR.

    Školitel: Drahanský Martin, prof. Ing., Ph.D.

  11. Diagnóza a výběr léčby deprese pomocí EEG dat z mozku

    Výzkumný problém: Tento výzkum se zabývá depresí nebo přesněji - unipolární depresí, či depresivní poruchou (MDD). MDD je běžné duševní onemocnění, které může bránit fungování v každodenním životě, a proto vytváří problémy při individuálních sociálních a osobních aktivitách. Proto je pacienty s MDD potřeba správně diagnostikovat a následně volit léčbu.

    Problémy se současnými řešeními: V současné době se k diagnostice MDD používají subjektivní dotazníky. Existuje však možnost nesprávné diagnózy kvůli podobným příznakům, které mají bipolární porucha a schizofrenie. Kromě toho se výběr léčby provádí na základě zkušeností lékaře, který předepisuje antidepresivum a poté po dobu 4 až 6 týdnů sleduje jeho účinnost, než se rozhodne buď pokračovat ve stejné léčbě, nebo přejít na novou léčbu. Jedná se o opakující se proces, dokud není pro pacienta nalezen správný lék.

    Výzvy: Léčba depresivní poruchy (MDD) je velkou výzvou, včetně diagnózy a výběru léčby kvůli podobným příznakům s dalšími onemocněními. Dále je MDD specifická pro různá pohlaví.

    Téma práce: Tento výzkum se zabývá metodami diagnostiky a výběru léčby pro MDD (unipolární depresi). Bude založen na objektivních měřeních mozkových aktivit pomocí signálu EEG, s cílem detekovat unipolární depresi. Řešení bude využívat metody strojového učení, nedílnou součástí bude extrakce příznaků ze zaznamenaných dat EEG pacientů. Vytvořená metoda by měla pomoci psychiatrům při diagnostice unipolární deprese. Pro tento projekt je již k dispozici datový soubor EEG.

    Pár slov o školiteli: Dr. Malik nedávno nastoupil na FIT VUT v Brně. Má desetiletou zkušenost s prací v oblasti zpracování neuro-signálů a neuro-obrazu. V současné době je v procesu zakládání výzkumné skupiny v této oblasti na FIT. Jedná se o multidisciplinární projekt, který bude zahrnovat spolupráci s klinickými lékaři. Jádro projektu však souvisí s IT. Jedná se o vývoj nové metody analýzy EEG signálů. Neváhejte mě kontaktovat na malik@fit.vutbr.cz

    Školitel: Malik Aamir Saeed, prof., Ph.D.

  12. Embedded systémy pro zpracování videa/signálu

    Téma je zaměřeno na algoritmy embedded zpracování obrazu, videa a/nebo signálu. Hlavním cílem je zkoumat možnosti "chytrých" a "malých" zařízení, která by měla nové vlastnosti, a  bylo možné je efektivně nasadit do aplikací vyžadujících malé, skryté, distribuované, nízkopříkonové, mechanicky nebo klimaticky namáhané jednotky schopné zpracovávat signálové vstupy. Nasazení takových jednotek je perspektivní a široké a předpokládá se i propojení do klient/server a/nebo cloud systémů. Samotné jednotky mohou být založeny na efektivním CPU/GPU/DSP, na programovatelném hardware, případně na kombinaci těchto technologií. Může se jednat i o smart kamery. Aplikace, které jsou v oblasti zájmu tohoto tématu:

    • klasifikace obrazu nebo objektů s využitím strojového učení (AI) klasicky nebo prostřednictvím hlubokých konvolučních neuronových sítí nebo podobných přístupů (například pro kontrolu kvality výrobků apod.),
    • současná analýza jednorozměrného signálu (signálů) a obrazu (například pro robustní zjištění nějakého objektu například v dopravních nebo průmyslových aplikacích),
    • moderní algoritmy zpracování videa, obrazu a/nebo signálu  s využitím "klient/server", případně "cloudu" (se zaměřením na aspekty client/server a/nebo cloud) vhodné například pro mobilní techniku a/nebo embedded systémy,
    • po dohodě je možné zpracovávat i individuálně vybrané téma, které ve výše uvedeném seznamu není, ale v principu sem patří.

    Je možnost spolupráce i na grantových projektech, zejména na nově podávaných projektech TAČR, H2020, ECSEL (potenciálně možnost stipendia či pracovního poměru).

    Školitel: Zemčík Pavel, prof. Dr. Ing., dr. h. c.

  13. Extrakce informací z WWW

    Problematika identifikace a extrakce konkrétních informací z dokumentů na WWW je již delší dobu předmětem intenzivního výzkumu. Mezi základní překážky, které je třeba překonat, patří nedostatečná strukturovanost HTML dokumentů a absence metainformací (anotací) využitelných pro rozpoznání významu jednotlivých částí obsahu. Tyto chybějící informace jsou proto nahrazovány analýzou různých aspektů webových dokumentů, zejména následujících:

    • HTML kód dokumentu (DOM)
    • Text dokumentu (hledání klíčových slov, statistická analýza textu, metody zpracování přirozeného jazyka)
    • Vizuální organizaci (rozložení obsahu na stránce, vizuální vlastnosti)

    Pro úspěšnou extrakci konkrétní informace z dokumentů je rovněž nezbytná doménová znalost zahrnující očekávanou strukturu extrahované informace (vztahy mezi jednotlivými extrahovanými položkami) a způsob zápisu jednotlivých položek. Tato znalost umožňuje přesnější rozpoznání jednotlivých částí informace v textu dokumentu.

    Současné přístupy k extrakci informací z webových dokumentů se soustřeďují zejména na modelování a analýzu dokumentů samotných; modelování extrahované informace za účelem jejího přesnějšího rozpoznání nebylo dosud podrobněji zkoumáno v tomto kontextu. Předpokládaným cílem disertační práce jsou proto následující:

    • Studium existujících doménových modelů jako např. UML diagramy tříd, E-R diagramy nebo ontologie.
    • Rozšíření těchto modelů o konkrétní metody rozpoznání konkrétních údajů v dokumentech (např. regulární výrazy, pokročilá klasifikace textu).
    • Návrh metod extrakce informací založených na srovnání struktury informace prezentované v dokumentu a očekávané struktury cílových informací.

    Nedílnou součástí je rovněž experimentální implementace navržených metod s využitím existujících nástrojů a experimentální ověření na reálných dokumentech dostupných na WWW.

    Školitel: Burget Radek, doc. Ing., Ph.D.

  14. Extrakce informací z WWW

    Problematika identifikace a extrakce konkrétních informací z dokumentů na WWW je již delší dobu předmětem intenzivního výzkumu. Mezi základní překážky, které je třeba překonat, patří nedostatečná strukturovanost HTML dokumentů a absence metainformací (anotací) využitelných pro rozpoznání významu jednotlivých částí obsahu. Tyto chybějící informace jsou proto nahrazovány analýzou různých aspektů webových dokumentů, zejména následujících:

    • HTML kód dokumentu (DOM)
    • Text dokumentu (hledání klíčových slov, statistická analýza textu, metody zpracování přirozeného jazyka)
    • Vizuální organizaci (rozložení obsahu na stránce, vizuální vlastnosti)

    Pro úspěšnou extrakci konkrétní informace z dokumentů je rovněž nezbytná doménová znalost zahrnující očekávanou strukturu extrahované informace (vztahy mezi jednotlivými extrahovanými položkami) a způsob zápisu jednotlivých položek. Tato znalost umožňuje přesnější rozpoznání jednotlivých částí informace v textu dokumentu.

    Současné přístupy k extrakci informací z webových dokumentů se soustřeďují zejména na modelování a analýzu dokumentů samotných; modelování extrahované informace za účelem jejího přesnějšího rozpoznání nebylo dosud podrobněji zkoumáno v tomto kontextu. Předpokládaným cílem disertační práce jsou proto následující:

    • Studium existujících doménových modelů jako např. UML diagramy tříd, E-R diagramy nebo ontologie.
    • Rozšíření těchto modelů o konkrétní metody rozpoznání konkrétních údajů v dokumentech (např. regulární výrazy, pokročilá klasifikace textu).
    • Návrh metod extrakce informací založených na srovnání struktury informace prezentované v dokumentu a očekávané struktury cílových informací.

    Nedílnou součástí je rovněž experimentální implementace navržených metod s využitím existujících nástrojů a experimentální ověření na reálných dokumentech dostupných na WWW.

    Školitel: Burget Radek, doc. Ing., Ph.D.

  15. Generování poškození do syntetických otisků prstů a analýza jejich kvality

    Cílem práce je generování různých poškození do syntetických otisků prstů a analýza jejich kvality. Práce bude sestávat z(e):

    • Seznámení se s biometrickým rozpoznáváním otisků prstů, dále s generátory syntetických otisků prstů, různými poškozeními, která se mohou v otisku prstu objevit, a metodami stanovení kvality otisku prstu.
    • Návrh a implementace algoritmů pro vkládání (simulování) různých druhů poškození do syntetických otisků prstů.
    • Návrh a implementace vlastních metod stanovení kvality otisku prstů, ideálně v kombinaci s existujícími metodami.
    • Provedení experimentů a shrnutí dosažených výsledků.
    Očekává se účast na významných mezinárodních konferencích a publikování v odborných či vědeckých časopisech. Zahraniční stáž je možná a silně podporovaná. Tato práce bude řešena v rámci spolupráce s Policií ČR.

    Školitel: Drahanský Martin, prof. Ing., Ph.D.

  16. Grafové neuronové sítě pro analýzu 3D tvaru

    Hluboké neuronové konvoluční sítě jsou jasným trendem posledních let v oblasti strojového učení pro analýzu obrazu. Konvoluční neuronové sítě je také možné využít pro analýzu 3D obrazu. Tento přístup je však problematický z pohledu značných výpočetních a paměťových nároků.

    Cílem disertační práce je zkoumat, analyzovat a hledat nové architektury tzv. grafových neuronových sítí a přístupů k jejich efektivnímu učení pro úlohy rozpoznávání 3D tvaru objektů, kdy datovou sadu tvoří různé reprezentace - např. polygonální 3D modely, voxelová reprezentace, apod.

    Součástí práce bude i aplikace zkoumaných metod v rámci projektů, na jejichž řešení se školitel podílí.

    Školitel: Španěl Michal, Ing., Ph.D.

  17. Hlasová biometrie

    Cílem této disertační práce je hlasová biometrie, tedy pokročilá identifikace osob z hlasového obsahu. Nedávné pokroky ve strojovém učení dávají potenciál výrazně zvýšit výkon systémů identifikace osob z různých typů biologických signálů. 

    Tato práce se primárně zaměřuje na pokrok v technologiích identifikace mluvčích pro využití v oblasti vymáhání práva, přičemž bere v úvahu apriorní znalosti poskytované koncovými uživateli. Typickým případem je kombinace zachycených hlasových hovorů se záznamem podrobností o hovoru (tj. síť postavená z telefonních čísel). 

    Disertační práce se bude také zabývat známými problémy algoritmů strojového učení, jako je "bias" poskytovaný trénovacími daty.

    Školitel: Motlíček Petr, doc. Ing., Ph.D.

  18. Hlasový deepfake


    Nedávné pokroky v "Deep Learning" umožnily automatické generování hyperrealistického falešného mediálního obsahu známého jako Deepfakes. 
    Zatímco tato technologie má pozitivní potenciál pro zábavní aplikace, její škodlivé použití poškozuje společnost jako celek tím, že produkuje obscénní obsah, vysílá falešné zprávy s cílem podkopat volby nebo destabilizovat politiku a zlepšit sociální inženýrství za účelem páchání finančních podvodů.
    Závažnost problému vyžaduje urychlený vývoj technologií detekce Deepfake pro mediální společnosti, poskytovatele multimediálních zpráv a orgány činné v trestním řízení. Také protože Deepfakes zahrnuje několik kategorií synteticky pozměněných nebo generovaných médií, sekundárním cílem je identifikovat typ manipulace a konkrétní technologii použitou pro tento účel.
     
    Tato disertační práce se zaměřuje na "hlasovou" část mediálního obsahu a jejím cílem je vyvinout "hlasové" algoritmy pro detekci a atribuci 
    Deepfake. Budou prozkoumány nové směry výzkumu v rámci modelování jedné třídy, časoprostorového učení (tj. kombinace se sémantickými znalostmi), učení "few-shot" nebo "adversarial training".

    Školitel: Motlíček Petr, doc. Ing., Ph.D.

  19. Hluboké neuronové sítě pro analýzu obrazu s omezenou učící datovou sadou

    Hluboké konvoluční sítě jsou jasným trendem posledních let v oblasti strojového účení pro analýzu obrazu. V úlohách s velmi omezenou a specifickou datovou sadou, kdy není dostatečné využít augmentace dat nebo koncepce GAN sítí, je však jejich nasazení stále problematické.

    Cílem disertační práce je zkoumat, analyzovat a hledat nové architektury hlubokých konvolučních sítí a přístupů k jejich učení pro takové úlohy analýzy obrazu, ve kterých je velikost anotované datové sady extrémně malá a nebo se postupně rozrůstá. Pro naučení neuronových sítí je možné využít neanotovaných dat případně částečně anotovaných dat ve formě uživatelského vstupu.

    Součástí práce bude i aplikace zkoumaných metod v rámci projektů, na jejichž řešení se školitel podílí.

    Školitel: Španěl Michal, Ing., Ph.D.

  20. Hodnocení psychického stresu a úzkosti pomocí analýzy signálů mozku

    Výzkumný problém: Duševní stres a úzkost jsou dva stavy, které se často vyskytují společně. Pokud nastanou, je člověk ve stresu a není schopen zvládat obavy, což ovlivňuje jeho sociální a pracovní aktivity. Proto je nutné řádné posouzení a diagnostika duševního stresu i úzkosti, aby člověk mohl efektivně provádět své běžné každodenních úkoly a činnosti.

    Problémy se současnými řešeními: Bohužel konvenční hodnotící a diagnostická opatření jsou subjektivní povahy a používají se pouze tehdy, když jsou symptomy již zjevné v důsledku pokročilého stádia duševního stresu a úzkosti. Psychický stres a úzkost však nevznikají náhle, spíše jde o dlouhodobý proces. Detekce příznaků je tedy vyžadována v raných fázích výskytu duševního stresu a úzkosti, protože to může vést k vyléčení nebo alespoň oddálení nástupu vážných duševních problémů s nimi spojených, například deprese, generalizované úzkostné poruchy atd.

    Výzvy: Na rozdíl od jiných nemocí, kde zřejmé symptomy umožňují lidem vyhledat pomoc, symptomy v raných fázích duševního stresu a úzkosti nejsou snadno identifikovatelné. Proto je třeba, aby byl mozek nepřetržitě monitorován, zda nevykazuje známky změny nebo zhoršení, s cílem detekovat příznaky v rané fázi.

    Téma práce: Řešení spočívá ve vývoji objektivní a kvantitativní metody, která dokáže odhalit duševní stres a úzkost již v rané fázi. Vnímání duševního stresu a úzkosti má původ v mozku; proto tento výzkum zkoumá neurofyziologické rysy extrahované ze signálu mozkového elektroencefalogramu (EEG) k měření duševního stresu a úzkosti v raném stádiu. Projekt bude zahrnovat výzkum metod pro extrakci příznaků a rozpoznávání vzorů, aby bylo možné uspokojivě posoudit stav osoby. Pro tento projekt je již k dispozici datový soubor EEG.

    Pár slov o školiteli: Dr. Malik nedávno nastoupil na FIT VUT v Brně. Má desetiletou zkušenost s prací v oblasti zpracování neuro-signálů a neuro-obrazu. V současné době je v procesu zakládání výzkumné skupiny v této oblasti na FIT. Jedná se o multidisciplinární projekt, který bude zahrnovat spolupráci s klinickými lékaři. Jádro projektu však souvisí s IT. Jedná se o vývoj nové metody analýzy EEG signálů. Neváhejte mě kontaktovat na malik@fit.vutbr.cz

    Školitel: Malik Aamir Saeed, prof., Ph.D.

  21. Inteligentná analýza dát

    Vďaka nasadeniu nových technológií v našom každodennom živote sa neustále generuje obrovské množstvo dát rôznych typov. Vytvorené datasety je potrebné efektívne spracovať - informácie v nich obsiahnuté často podporujú správnosť a presnosť rozhodovacích procesov. Rozvoj metód analýzy údajov je preto dôležitou súčasťou výskumu v informatike. Z rôznych dôvodov nie sú tradičné spôsoby spracovania všeobecne použiteľné, preto je potrebné hľadať nové prístupy. Sú väčšinou založené na umelej inteligencii a strojovom učení.

    Inteligentná analýza dát má veľký potenciál uplatnenia na riešenie aktuálnych výskumných úloh v mnohých oblastiach, medzi inými aj v energetike. Toto odvetvie  prechádza výraznými zmenami - obnoviteľné zdroje energie, batérie a elektromobilita menia charakter elektrickej siete a z klasickej jednosmernej centralizovanej siete sa stáva obojsmerná distribuovaná sieť. Tento fakt vyvoláva množstvo výskumných otázok a problémov na riešenie. Výskumné problémy, ktorým je možné sa v rámci témy venovať zahŕňajú:

    -        optimálne riadenie mikrogridov (malých energetických sietí s obnoviteľnými zdrojmi energie) umožňujúcich zdieľanie energie medzi zákazníkmi,

    -        predikovanie spotreby zákazníkov a výroby z obnoviteľných zdrojov, ktoré sú potrebné pre efektívne riadenie mikrogridov,

    -        disagregácia spotreby energie na spotreby jednotlivých spotrebičov, ktoré umožnia lepšie porozumieť charakteru spotreby zákazníkov,

    -        skúmanie anomálií a/alebo extrémnych hodnôt v spotrebe alebo výrobe energie z obnoviteľných zdrojov.

    Predmetom záujmu však môže byť analýza dát v širšom zmysle - je možné zamerať sa na úlohy predikcie, klastrovania, klasifikácie alebo detekcie anomálií v rôznych doménach.


    Relevantné publikácie: 

    • Rozinajova, V., Bou Ezzeddine, A., Grmanova, G., Vrablecova, P., Pomffyova, M. (2020): Intelligent Analysis of Data Streams, Published in: Towards Digital Intelligence Society: A Knowledge-based Approach

    • Kloska M., Rozinajova V. (2021): Towards Symbolic Time Series Representation Improved by Kernel Density Estimators. In: Hameurlain A., Tjoa A.M. (eds) Transactions on Large-Scale Data- and Knowledge-Centered Systems L. Lecture Notes in Computer Science, vol 12930. Springer, Berlin, Heidelberg. 

    Školitel: Rozinajová Věra, Doc., Ph.D.

  22. Interakce člověka s dronem ve specifických situacích

    Využívání dronů v řadě specifických situacích je dnes důležitým trendem nejen v průmyslu, ale zejména v operacích bezpečnostních složek. Tento trend přináší nové problémy v efektivní komunikaci člověka s dronem, tj. jak zvýšit efektivitu pilota, snížit jeho kognitivní zátěž, zvýšit jeho orientaci ve složitém prostředí či při spolupráci s více drony apod. 

    Cílem této práce je zkoumat nové možnosti v oblasti efektivního a intuitivního využití senzorických dat a jejich fúze s dalšími dostupnými datovými zdroji při interakci pilota s dronem. V rámci řešení je potřeba:

    • analyzovat potřeby pro efektivní spolupráci člověka s dronem, zejména klíčové situace pro vizualizaci a přesné řízení,
    • navrhovat způsoby využití analýzy senzorických a jiných dostupných dat a jejich fúze,
    • připravit experimentální řešení,
    • provádět experimenty s uživateli a tyto experimenty vyhodnocovat.
    Mezi technologie, které by měl řešitel analyzovat a experimentálně využít, patří zejména zpracování senzorických dat a jejich fúze, vizualizace a interakce pomocí pokročilých technologií jako jsou např. smíšená realita, gesta apod. a autonomní řídící prvky a metody.

    Řešitel bude mít k dispozici experimentální platformu (drone s výpočetní jednotkou Jetson), zařízení pro interakci (brýle pro AR apod.) a SW platformu DroCo pro integraci dat a vizualizaci, která je vyvíjena v laboratořích výzkumné skupiny Robo@FIT.

    Očekává se účast na relevantních mezinárodních konferencích a publikování v odborných či vědeckých časopisech. Dále spolupráce s bezpečnostními složkami, zejména záchranářské sbory a Policie ČR. V neposlední řadě účast na relevantních tuzemských či zahraničních projektech.


    Více informací po osobní schůzce.

    Školitel: Beran Vítězslav, doc. Ing., Ph.D.

  23. Interakce člověka s robotem v kolaborativním prostředí

    Trendem výrobního průmyslu je zavádění kolaborativních robotů do výroby, což umožňuje bližší spolupráci člověka s robotem. Cílem je zefektivnit výrobu využitím robotů na opakované činnosti a pracovníka na činnosti složité, jejich robotizace by byla příliš nákladná a málo škálovatelná. Tento trend přináší nové problémy, jak s roboty efektivně komunikovat: mít představu o stavu robota a jeho chápání situace a snadno a přirozeně robota řídit a programovat. 

    Cílem této práce je zkoumat nové možnosti komunikace člověka s robotem s využitím moderních technologií a zařízení. V rámci řešení je potřeba:

    • Analyzovat uživatelské potřeby a dostupné technologie a pro vizualizaci informací,
    • navrhovat způsoby interakce pro vybrané úlohy,
    • připravit experimentální řešení,
    • provádět experimenty s uživateli a tyto experimenty vyhodnocovat.
    Mezi technologie vhodné pro interakci, které by měl řešitel analyzovat a experimentálně využít, patří zejména rozšířená realita (promítaná nebo v mobilním zařízení), bezkontaktní technologie (snímání aktivit a stavu člověka kamerami nebo hloubkovými senzory, snímače svalové aktivity), haptická a zvuková zpětná vazba apod.

    Řešitel bude mít k dispozici experimentální pracoviště pro blízkou spolupráci člověka s robotem, které je vyvíjeno v laboratořích výzkumné skupiny Robo@FIT.

    Očekává se účast na relevantních mezinárodních konferencích a publikování v odborných či vědeckých časopisech. Dále spolupráce s průmyslovými partnery v dané oblasti. V neposlední řadě účast na relevantních tuzemských či zahraničních projektech.

    Více informací po osobní schůzce.

    Školitel: Beran Vítězslav, doc. Ing., Ph.D.

  24. Kybernetické hrozby v komunikaci DNS

    Většina komunikace na Internetu je dnes šifrována. Výjimku tvoří protokol DNS, který je nezbytný pro fungování většiny služeb. V poslední době se útočníci snaží zneužít komunikaci DNS k přesměrování internetové komunikace či k útoku DDoS. Komunikaci DNS také využívá malware k zasílání získaných dat pomocí skrytého kanálu, generovaná jména domén DGA mohou sloužit k řízení botnetu apod.

    Cílem projektu je analyzovat typické třídy kybernetických útoků vedených přes DNS podle klasifikace MITRE ATT&CK a navrhnout způsob detekce těchto hrozeb na základě rozšířeného monitorování IPFIX. Při řešení se využijí metody strojového učení a umělé inteligence.

    Školitel specialista: Ing. Petr Matoušek, Ph.D., M.A.

    Odkazy:
    [1] Daihes Y., Tzaban H., Nadler A., Shabtai A. (2021) MORTON: Detection of Malicious Routines in Large-Scale DNS Traffic. In: Bertino E., Shulman H., Waidner M. (eds) Computer Security - ESORICS 2021. ESORICS 2021. Lecture Notes in Computer Science, vol 12972. Springer, Cham. https://doi.org/10.1007/978-3-030-88418-5_35
    [2] M. Grill, I. Nikolaev, V. Valeros and M. Rehak, "Detecting DGA malware using NetFlow," 2015 IFIP/IEEE International Symposium on Integrated Network Management (IM), 2015, pp. 1304-1309, doi: 10.1109/INM.2015.7140486.
    [3] S. Torabi, A. Boukhtouta, C. Assi and M. Debbabi, "Detecting Internet Abuse by Analyzing Passive DNS Traffic: A Survey of Implemented Systems," in IEEE Communications Surveys & Tutorials, vol. 20, no. 4, pp. 3389-3415, Fourthquarter 2018, doi: 10.1109/COMST.2018.2849614.

    Školitel: Ryšavý Ondřej, doc. Ing., Ph.D.

  25. Mechanismus detekce prezentačního útoku pro biometrický systém založený na otiscích prstů / obličeji / písmu

    Cílem práce je vytvoření spolehlivého detekčního mechanismu prezentačního útoku na technologii otisků prstů, obličeje a písma, konkrétně:

    • Seznámení se s prací biometrickými systémy otisků prstů, obličeje a písma.
    • Návrh a implementace algoritmu detekce prezentačního útoku na biometrickou technologii otisků prstů, obličeje a písma.
    • Provedení experimentů a shrnutí dosažených výsledků.
    Očekává se účast na významných mezinárodních konferencích a publikování v odborných či vědeckých časopisech. Zahraniční stáž je možná a silně podporovaná. Tato práce bude řešena v rámci spolupráce s Policií ČR.

    Školitel: Drahanský Martin, prof. Ing., Ph.D.

  26. Měření vizuální kvality obrazu a videa

    Projekt se zabývá metrikami pro odhad vizuální kvality obrazu a videa. Cílem práce je výzkum nových metod, které by odstranily některé nedostatky existujících metrik zejména s ohledem na vlastnosti vizuálního vnímání člověka. V úvahu přicházejí např. problémy z oblasti vjemu HDR obrazu a využití přídavných informací (metadata, 3D, atd.) o testovaných scénách pomocí metod strojového učení (např. neuronových sítí).


    Školitel: Čadík Martin, doc. Ing., Ph.D.

  27. Metody zpracování obrazu pomocí neuronových sítí

    Projekt se zabývá pokročilými metodami zpracování a editace obrazu. Cílem práce je výzkum nových metod s využitím strojového učení, zejména hlubokých konvolučních neuronových sítí. 

    • Kontakt: http://cadik.posvete.cz/
    • Možnost spolupráce a stáže se špičkovými laboratořemi (Adobe Research, USA, MPII Saarbrücken, Německo, Disney Research Curych, Švýcarsko, INRIA Bordeaux, Francie)

    Školitel: Čadík Martin, doc. Ing., Ph.D.

  28. Moderní algoritmy počítačové grafiky

    Tématem jsou algoritmy počítačové grafiky a syntézy obrazu. Hlavním cílem je zkoumat nové a moderní algoritmy počítačové grafiky, související datové struktury, související otázky získávání a zpracování 3D modelů a další aspekty algoritmů tak, aby bylo lépe rozumět jejich vlastnostem a možnostem, zlepšovat a připravovat nové. Je možno pracovat na různých platformách, včetně paralelních CPU jáder x86/64, ARM, Xeon PHI, GPU apod. v OpenCL, CUDA, v FPGA ve VHDL, případně i jinak. Možné algoritmy zahrnují:

    • zobrazování pomocí vybraných grafických metod (ray tracing, photon mapping, přímé zobrazování "point cloud" apod.),
    • modelování scény a zobrazování s využitím metod umělé inteligence včetně syntézy obrazu s využitím neuronových sítí (zejména CNN),
    • zpracování a zobrazování "lightfield" obrazů, jejich pořizování, případně komprese, rekonstrukce 3D scény z obrazů a/nebo videa, případně fúzí s jinými senzory, jako je například LIDAR nebo i RADAR,
    • moderní algoritmy geometrie vhodné pro aplikaci v oblasti počítačové grafiky, případně i 3D tisku, 
    • nastupující algoritmy syntézy 3D obrazu, holografie, aplikace algoritmů vlnkové, frekvenční a/nebo obdobné transformace.

    Po dohodě je možné zpracovávat i individuálně vybrané algoritmy, které ve výše uvedeném seznamu nejsou, ale patří do dané tématiky.

    Je možnost spolupráce i na grantových projektech, zejména na nově podávaných projektech TAČR, H2020, ECSEL (možnost stipendia či pracovního poměru).

    Školitel: Zemčík Pavel, prof. Dr. Ing., dr. h. c.

  29. Moderní metody počítačového vidění

    Cílem práce je seznámit se s aktuálními problémy počítačového vidění a používaného strojového učení (hluboké konvoluční neuronové sítě) a identifikovat zajímavé problémy k rozvinutí a dalšímu výzkumu. Řešitel má získat nadhled v problematice a experimentovat s populárními algoritmy a identifikovat jejich vhodné okrajové případy, na kterých bude možné dosáhnout zajímavých výsledků a pokroků.
    Konkrétně se řešitel má zaměřit na následující:

    • Použití moderních a slibných přístupů v počítačovém vidění, zejména metody strojového učení a konvolučních neuronových sítí
    • Identifikace zajímavých otevřených problémů
    • Návrh netradičních modifikací existujících přístupů
    • Experimentální vyhodnocení, využití existujících datových sad a pořizování nových

    Školitel: Herout Adam, prof. Ing., Ph.D.

  30. Moderní metody počítačového vidění

    Cílem práce je seznámit se s aktuálními problémy počítačového vidění a používaného strojového učení (hluboké konvoluční neuronové sítě) a identifikovat zajímavé problémy k rozvinutí a dalšímu výzkumu. Řešitel má získat nadhled v problematice a experimentovat s populárními algoritmy a identifikovat jejich vhodné okrajové případy, na kterých bude možné dosáhnout zajímavých výsledků a pokroků.
    Konkrétně se řešitel má zaměřit na následující:

    • Použití moderních a slibných přístupů v počítačovém vidění, zejména metody strojového učení a konvolučních neuronových sítí
    • Identifikace zajímavých otevřených problémů
    • Návrh netradičních modifikací existujících přístupů
    • Experimentální vyhodnocení, využití existujících datových sad a pořizování nových

    Školitel: Herout Adam, prof. Ing., Ph.D.

  31. Multimodální analýza pro hodnocení duševního zdraví


    Výzkumný problém: Význam duševního zdraví v posledním desetiletí výrazně vzrostl. Metody pro hodnocení problémů duševního zdraví v raných stádiích jsou však stále v plenkách ve srovnání s dostupností odpovídajících metod pro včasné hodnocení problémů fyzického zdraví. Je tedy nutné, aby byl proveden patřičný výzkum s cílem vyvinout metody pro včasné hodnocení abnormalit vedoucích k problémům duševního zdraví.

    Problémy se současnými řešeními: Na rozdíl od fyzického zdraví se duševní zdraví posuzuje prostřednictvím řady subjektivních parametrů. Proto chybí objektivní a kvantitativní metody pro hodnocení duševního zdraví. Navíc pacienti vyhledávají pomoc, až když je jejich duševní problém v pokročilé fázi. Chybí tedy nepřetržité sledování jejich duševního zdraví.

    Výzvy: Mnoho abnormalit souvisejících s problémy duševního zdraví se jen nepatrně projevuje a souvisí s chováním a dalšími změnami ve výrazech obličeje, řeči a rukopisu. Kromě toho dochází ke změnám hladiny kortizolu, kožní vodivosti, variability srdeční frekvence a frekvence dýchání. Existuje tedy několik modalit, které by měly být zahrnuty pro měření a kvantifikaci jakýchkoli abnormalit souvisejících s duševním zdravím.

    Téma práce: Každá modalita má své pro a proti. Například v neurozobrazování má funkční magnetická rezonance vysoké prostorové rozlišení (v mm) a nízké časové rozlišení (v sekundách), zatímco elektroencefalogram má nízké prostorové rozlišení (v cm) a vysoké časové rozlišení (v milisekundách). Kombinace obou povede k vysokému prostorovému i vysokému časovému rozlišení. Výzkum se bude  zabývat hodnocením abnormalit vedoucích k problémům duševního zdraví pomocí multimodálního přístupu. Různé modality mohou mimo jiné zahrnovat mozkové signály elektroencefalogramu (EEG), obličejová videa, zvuk řeči, rukopis a text ze sociálních médií. Mezi fyziologické parametry z různých modalit patří mimo jiné srdeční frekvence, frekvence dýchání, dominantní emoce, únava a stres. Dominantní emoce mohou být klasifikovány jako pozitivní nebo negativní a poté podřazeny jako smutné, šťastné, naštvané atd. Pro tuto multimodální analýzu budou vyvinuty techniky dolování dat a fúze dat. Pro tento projekt jsou k dispozici odpovídající multimodální data.

    Pár slov o školiteli: Dr. Malik nedávno nastoupil na FIT VUT v Brně. Má desetiletou zkušenost s prací v oblasti zpracování neuro-signálů a neuro-obrazu. V současné době je v procesu zakládání výzkumné skupiny v této oblasti na FIT. Jedná se o multidisciplinární projekt, který bude zahrnovat spolupráci s klinickými lékaři. Jádro projektu však souvisí s IT. Jedná se o vývoj nové metody analýzy. Neváhejte mě kontaktovat na malik@fit.vutbr.cz

    Školitel: Malik Aamir Saeed, prof., Ph.D.

  32. Odporúčacie a adaptívne webové systémy

    Odporúčacie systémy sú integrálnou súčasťou prakticky každej modernej webovej aplikácie. Personalizované, resp. adaptívne služby, sa stali štandardom, ktorý je používateľmi aplikácií vyžadovaný skoro vo všetkých doménach (napr. spravodajstvo, četoví agenti, sociálne médiá alebo vyhľadávanie).

    Personalizácia má očividne obrovský vplyv na každodenný život miliónov používateľov naprieč mnohými doménami a aplikáciami. To je zdrojom zásadnej výzvy - návrh metód, ktoré sú nielen presné, ale aj dôveryhodné a spravodlivé. Táto výzva ponúka mnohé výskumné príležitosti vo viacerých smeroch:

    • Nové metódy strojového učenia pre adaptívne a odporúčacie systémy

    • Off-policy učenie

    • Vysvetľovanie odporúčaní

    • Férovosť a spravodlivosť v odporúčaní

    • Skreslenia v odporúčaní

    Jednotlivé smery a výzvy môžu byť adresované vo viacerých doménach ako napríklad vyhľadávanie, elektronický obchod, spravodajstvo, sociálne médiá a iné. 

    Súvisiace publikácie:

    • M. Kompan, P. Gaspar, J. Macina, M. Cimerman, M. Bielikova. Exploring Customer Price Preference and Product Profit Role in Recommender Systems. In IEEE Intelligent Systems int. Journal, 2021. https://doi.org/10.1109/MIS.2021.3092768 

    • M. Svrcek, M. Kompan, M. Bielikova. Towards Understandable Personalized Recommendations: Hybrid Explanations. In Computer Science and Information Systems. Vol. 16, No. 1, 2019. https://doi.org/10.2298/CSIS171217012S 

    Výskum bude doktorand vykonávať v rámci Kempelenovho inštitútu inteligentných technológií (KInIT, https://kinit.sk) v Bratislave v spolupráci s priemyselnými partnermi alebo výskumníkmi zo svetovo uznávaných výskumných skupín. Predpokladá sa kombinovaná (externá) forma štúdia a pracovný pomer na plný úväzok v KInIT.

    Školitel: Bieliková Mária, prof. Ing., Ph.D.

  33. Odporúčacie a adaptívne webové systémy

    Odporúčacie systémy sú integrálnou súčasťou prakticky každej modernej webovej aplikácie. Personalizované, resp. adaptívne služby, sa stali štandardom, ktorý je používateľmi aplikácií vyžadovaný skoro vo všetkých doménach (napr. spravodajstvo, četoví agenti, sociálne médiá alebo vyhľadávanie).

    Personalizácia má očividne obrovský vplyv na každodenný život miliónov používateľov naprieč mnohými doménami a aplikáciami. To je zdrojom zásadnej výzvy - návrh metód, ktoré sú nielen presné, ale aj dôveryhodné a spravodlivé. Táto výzva ponúka mnohé výskumné príležitosti vo viacerých smeroch:

    • Nové metódy strojového učenia pre adaptívne a odporúčacie systémy

    • Off-policy učenie

    • Vysvetľovanie odporúčaní

    • Férovosť a spravodlivosť v odporúčaní

    • Skreslenia v odporúčaní

    Jednotlivé smery a výzvy môžu byť adresované vo viacerých doménach ako napríklad vyhľadávanie, elektronický obchod, spravodajstvo, sociálne médiá a iné. 

    Súvisiace publikácie:

    • M. Kompan, P. Gaspar, J. Macina, M. Cimerman, M. Bielikova. Exploring Customer Price Preference and Product Profit Role in Recommender Systems. In IEEE Intelligent Systems int. Journal, 2021. https://doi.org/10.1109/MIS.2021.3092768 

    • M. Svrcek, M. Kompan, M. Bielikova. Towards Understandable Personalized Recommendations: Hybrid Explanations. In Computer Science and Information Systems. Vol. 16, No. 1, 2019. https://doi.org/10.2298/CSIS171217012S 

    Výskum bude doktorand vykonávať v rámci Kempelenovho inštitútu inteligentných technológií (KInIT, https://kinit.sk) v Bratislave v spolupráci s priemyselnými partnermi alebo výskumníkmi zo svetovo uznávaných výskumných skupín. Predpokladá sa kombinovaná (externá) forma štúdia a pracovný pomer na plný úväzok v KInIT.

    Školitel: Kompan Michal, doc. Ing., PhD.

  34. Počítačové vidění ve sledování dopravy

    Cílem je studovat a vědecky a technologicky rozvíjet problematiku zpracování dohledových videí v oblasti dopravy a dolování užitečných dat z nich. Práce bude zaměřena na aktuální algoritmy re-identifikace vozidel, počítání vozidel v dopravě a na parkovacích místech různého druhu, měření rychlosti a získávání dalších zajímavých dat. Zaměření bude na použití kamer umístěných v ne docela výhodných úhlech a pozicích, které stávající a používané algoritmy vylučují z použití.
    Zejména se řešitel zaměří na následující:

    • Výzkum a vývoj algoritmů počítačového vidění.
    • Zaměření na video z dohledových kamer v dopravě.
    • Výzkum algoritmů s minimálním uživatelským vstupem.
    • Pořizování a syntéza vhodných datových sad.
    • Implementace experimentálních prototypů
    • Návrh a prototypování aplikací.

    Školitel: Herout Adam, prof. Ing., Ph.D.

  35. Pokročilé algoritmy zpracování videa, obrazu, signálu

    Tématem jsou algoritmy zpracování obrazu, videa a/nebo signálu. Hlavním cílem je zkoumat a do hloubky analyzovat příslušné algoritmy a hledat nové tak, aby měly nové potřebné vlastnosti, a  bylo možné je efektivně implementovat. Taková efektivní implementace může , ale nemusí být součástí práce, ale důležité je algoritmy připravit tak, aby šly efektivně zpracovávat například v CPU, v CPU s akcelerací SSE instrukcemi, v embedded systémech, i v kombinaci s FPGA, v Intel Xeon PHI, v systémech s extrémně nízkým příkonem, případně v jiném prostředí. Je možné i využití algoritmů umělé inteligence, včetně neuronových sítí, zejména CNN.  Důležité jsou též aplikační možnosti algoritmů s tím, že samotná aplikace může, ale nemusí být součástí řešení. Možné algoritmy/aplikace zahrnují:

    • rozpoznávání obsahu scény, případně dějů ve videosekvencích (například detekce dopravních situací, identifikace filmových scén, rozpoznání druhu akce, apod.),
    • klasifikace obrazu nebo videosekvencí (například pro kontrolu kvality výrobků, vyhledání objektů nebo charakteristik scén, apod.), případně i v kombinaci se sledováním objektů (tracking) ve videu moderními metodami,
    • současná analýza videa a signálu (například pro zjištění souběhu výskytu nějakého objektu ve videu a současně charakteristického průběhu signálu například v "surveillance" aplikacích), fůze obrazu a signálju,
    • moderní algoritmy zpracování videa, obrazu a/nebo signálu  s využitím "klient/server", případně "cloudu" vhodné například pro mobilní techniku a/nebo embedded systémy,
    • algoritmy komprese videa a analýzy prostřednictvím frekvenční či vlnkové a transformace, nebo obdobnými postupy...

    Po dohodě je možné zpracovávat i individuálně vybrané téma, které ve výše uvedeném seznamu není, ale patří do dané tématiky.

    Je možnost spolupráce i na grantových projektech, zejména na nově podávaných TAČR, MPO, H2020, SCSEL (potenciálně možnost stipendia či pracovního poměru).

    Školitel: Zemčík Pavel, prof. Dr. Ing., dr. h. c.

  36. Pokročilé metody syntézy obrazu

    Projekt se zabývá pokročilými metodami syntézy obrazu. Cílem práce je výzkum nových metod pro fotorealistické (fyzikálně založené) i nefotorealistické (NPR) simulace světelné interakce ve scéně. Předpokládá se intenzivní spolupráce a stáže na špičkových institucích a firmách v oboru (Adobe, USA, MPII Saarbrücken, Německo, Disney Curych, Švýcarsko, INRIA Bordeaux, Francie).

    Školitel: Čadík Martin, doc. Ing., Ph.D.

  37. Pokročilé metody výpočetní fotografie

    Projekt se zabývá pokročilými metodami výpočetní fotografie. Cílem práce je výzkum nových metod pro výpočetní fotografii, což zahrnuje zejména softwarové řešení, které může být případně dále kombinováno s novou optikou a dalším hardware. Mezi oblasti výzkumu patří zpracování HDR obrazu a videa, převod barevného obrazu na černobílý, spektrální obraz, atd.


    Školitel: Čadík Martin, doc. Ing., Ph.D.

  38. Pokročilé témy strojového učenia

    Strojové učenie je v centre výskumu v oblasti umelej inteligencie. Témam spojeným so strojovým učením sa venuje množstvo výskumníkov v akademickom svete a aj v biznise v  prestížnych vedeckých pracoviskách. Riešenia vedeckých výziev sa veľmi rýchlo dostávajú do praxe. Oblasť je veľmi dynamická.

    Témy v tejto doméne definujú významné vedecké konferencie, na ktorých sa stretávajú výskumníci z celého sveta (rank A*) ako napríklad ICML (International Conference on Machine Learning), NeurIPS (Advances in Neural Information Processing Systems), IJCAI (International Joint Conference on AI), COLT (Conference on Learning Theory). Témy a ich špecializáciu budú viesť externí mentori. 

    Zaujímavé výskumné výzvy zahŕňajú témy (ale sa neobmedzujú takto):  

    • General Machine Learning (e.g., active learning, clustering, online learning, ranking, reinforcement learning, semi-supervised learning, time series analysis, unsupervised learning)

    • Deep Learning (e.g., architectures, generative models, deep reinforcement learning)

    • Learning Theory (e.g., bandits, game theory, statistical learning theory)

    • Optimization (e.g., convex and non-convex optimization, matrix/tensor methods, sparsity)

    • Trustworthy Machine Learning (e.g., accountability, causality, fairness, privacy, robustness)

    Existuje veľa aplikačných domén, kde sa pokročilé metódy strojového učenia dajú využiť. 

    Výskum bude doktorand vykonávať v rámci Kempelenovho inštitútu inteligentných technológií (KInIT, https://kinit.sk) v Bratislave pod vedením výskumníkov zo svetovo uznávaných výskumných skupín. Predpokladá sa kombinovaná (externá) forma štúdia a pracovný pomer na plný úväzok v KInIT.

    Školitel: Bieliková Mária, prof. Ing., Ph.D.

  39. Pokročilé témy strojového učenia

    Strojové učenie je v centre výskumu v oblasti umelej inteligencie. Témam spojeným so strojovým učením sa venuje množstvo výskumníkov v akademickom svete a aj v biznise v  prestížnych vedeckých pracoviskách. Riešenia vedeckých výziev sa veľmi rýchlo dostávajú do praxe. Oblasť je veľmi dynamická.

    Témy v tejto doméne definujú významné vedecké konferencie, na ktorých sa stretávajú výskumníci z celého sveta (rank A*) ako napríklad ICML (International Conference on Machine Learning), NeurIPS (Advances in Neural Information Processing Systems), IJCAI (International Joint Conference on AI), COLT (Conference on Learning Theory). Témy a ich špecializáciu budú viesť externí mentori. 

    Zaujímavé výskumné výzvy zahŕňajú témy (ale sa neobmedzujú takto):  

    • General Machine Learning (e.g., active learning, clustering, online learning, ranking, reinforcement learning, semi-supervised learning, time series analysis, unsupervised learning)

    • Deep Learning (e.g., architectures, generative models, deep reinforcement learning)

    • Learning Theory (e.g., bandits, game theory, statistical learning theory)

    • Optimization (e.g., convex and non-convex optimization, matrix/tensor methods, sparsity)

    • Trustworthy Machine Learning (e.g., accountability, causality, fairness, privacy, robustness)

    Existuje veľa aplikačných domén, kde sa pokročilé metódy strojového učenia dajú využiť. 

    Výskum bude doktorand vykonávať v rámci Kempelenovho inštitútu inteligentných technológií (KInIT, https://kinit.sk) v Bratislave pod vedením výskumníkov zo svetovo uznávaných výskumných skupín. Predpokladá sa kombinovaná (externá) forma štúdia a pracovný pomer na plný úväzok v KInIT.

    Školitel: Bieliková Mária, prof. Ing., Ph.D.

  40. Rekonstrukce poničených povrchů CD/DVD/BR/HDD pro forenzní účely

    Projekt aktuálně není spojen přímo s žádným projektem, ale bude vypracován v úzké spolupráci s Policií ČR. Grantovou podporu tedy bude možné získat.

    Stejně tak je možné získat stáž v zahraničí - je podpora takovou stáž uskutečnit.

    Cílem práce je rekonstrukce poničených povrchů CD/DVD/BR/HDD, sestávající z:

    • Seznámení se všemi možnými způsoby záznamů na nosičích CD/DVD/BR/HDD.
    • Využití pokročilé snímací techniky a technologie pro snímání povrchů - jak na FIT, tak mimo FIT.
    • Návrh a implementace aplikace pro sestavení nasnímaných obrazů do jednoho celku - co nejvíce automatizované, bez zásahu člověka.
    • Pokud rekonstrukce z předchozích kroků bude dávat dobrý výsledek, musí dále být schopna aplikace poskytnout restaurovaná data - pro CD např. vytvoření ISO snímku, který bude normálně čitelný (s tím, že chybějící místa budou "chytře" doplněna).
    • Provedení experimentů a shrnutí dosažených výsledků.
    Očekává se účast na významných mezinárodních konferencích a publikování v odborných či vědeckých časopisech.

    Školitel: Kolář Dušan, doc. Dr. Ing.

  41. Rozpoznávání řeči a zpracování dat pro komunikaci ATC-pilot v letectví

    Téma práce je zaměřeno na rozpoznávání řeči a zpracování dat pro komunikaci ATC-pilot v letectví. Bude se týkat všech komponentů automatického rozpoznávání řeči (ASR), tedy zpracování dat, akustického modelu, slovníku (včetně speciální letecké terminologie) a jazykového modelu. 


    Téma souvisí s evropským projektem Horizon 2020 ATCO2, a bude řešeno ve spolupráci s partnery projektu. 

    Zadání vyžaduje zájem o matematiku, statistiku, strojové učení a zpracování řeči, výhodou je zběhlost v jazyce Python a jeho knihovnách pro strojové učení.

    Školitel: Černocký Jan, prof. Dr. Ing.

  42. Rozpoznávání řeči a zpracování dat pro komunikaci ATC-pilot v letectví

    Téma práce je zaměřeno na rozpoznávání řeči a zpracování dat pro komunikaci ATC-pilot v letectví. Bude se týkat všech komponentů automatického rozpoznávání řeči (ASR), tedy zpracování dat, akustického modelu, slovníku (včetně speciální letecké terminologie) a jazykového modelu. 


    Téma souvisí s evropským projektem Horizon 2020 ATCO2, a bude řešeno ve spolupráci s partnery projektu. 

    Zadání vyžaduje zájem o matematiku, statistiku, strojové učení a zpracování řeči, výhodou je zběhlost v jazyce Python a jeho knihovnách pro strojové učení.

    Školitel: Černocký Jan, prof. Dr. Ing.

  43. Samořídící počítačové sítě


    Myšlenka vyvinout inteligentní metodu podporující návrh sítě, monitorování a správu není nová. Nedávný pokrok v oblasti umělé inteligence a zavedení P4 pro programování síťových zařízení však vytváří slibné prostředí pro dosažení tohoto cíle.
    Sebeuvědomění v tomto kontextu znamená schopnost sítě pozorovat svůj stav a zlepšovat své chování, aby splnila stanovené cíle [1]. Ačkoli primárním cílem každé sítě je doručovat datové pakety, existují také další důležité nefunkční požadavky, zejména QoS, bezpečnost, snížení spotřeby energie.


    Cíle práce

    Tato práce si klade za cíl navrhnout síťový systém schopný pozorovat situaci a pomocí AI přístupu rozhodnout o dalším chování tak, aby poskytoval spolehlivou funkci i v případě kybernetického útoku. Projekt zahrnuje P4 jako technologii umožňující dosažení očekávaných cílů.

    Předpokládaný postup řešení

    Výzkum se skládá z následujících hlavních kroků:

    • Prozkoumejte stávající přístupy k vytváření kognitivních sítí a sítí s vědomím sebe sama.
    • Určete vhodné algoritmy AI / ML pro zpracování snímaných dat a rozhodnutí o změně chování.
    • Experimentujte s navrhovanými přístupy ve vytvořeném prostředí testovacího prostředí s využitím P4 zařízení.
    • Proveďte kritické zhodnocení dosažených výsledků.

    Odkazy
    [1] Gelenbe, E., Domanska, J., Frohlich, P., Nowak, M. P., & Nowak, S. (2020). Self-Aware Networks That Optimize Security, QoS, and Energy. Proceedings of the IEEE108(7), 1150-1167. https://doi.org/10.1109/JPROC.2020.2992559

    Školitel: Ryšavý Ondřej, doc. Ing., Ph.D.

  44. Spolehlivé porovnávání 2D obličeje s projekcí 3D obličeje

    Cílem práce je vytvoření spolehlivého porovnávání 2D obličeje s projekcí 3D obličeje, konkrétně:

    • Seznámení se s prací s 3D modelem a osami otáčení.
    • Návrh a implementace algoritmu stanovení správného natočení 3D modelu hlavy dle dispozic 2D obličeje.
    • Návrh a implementace algoritmu porování 2D obličeje s projekcí 3D obličeje se stejnými parametry.
    • Provedení experimentů a shrnutí dosažených výsledků.
    Očekává se účast na významných mezinárodních konferencích a publikování v odborných či vědeckých časopisech. Zahraniční stáž je možná a silně podporovaná. Tato práce bude řešena v rámci spolupráce s Policií ČR.

    Školitel: Drahanský Martin, prof. Ing., Ph.D.

  45. Spracovanie prirodzeného jazyka

    Neustály nárast množstva dostupných dát zdôrazňuje potrebu ich automatického spracovania a porozumenia. Špeciálnu výzvu predstavuje heterogénny neštruktúrovaný textový obsah v prirodzenom jazyku. Spracovanie prirodzeného jazyka (natural language processing, NLP) sa radí medzi najperspektívnejšie podoblasti umelej inteligencie s obrovským potenciálom inovatívnych aplikácií ovplyvňujúcich každodenný život.

    Nedávne pokroky v oblastiach neurónových sietí a strojového učenia posunuli úspešnosť a záber porozumenia a generovania prirodzeného jazyka významne dopredu. Napriek tomu stále zostávajú výskumné výzvy týkajúce sa jednotlivých úloh spracovania prirodzeného jazyka, aplikačných domén a jazykov. Je potrebný ďalší výskum a prieskum súvisiacich javov, špeciálnu pozornosť v poslednej dobe púta problém interpretovateľnosti a vysvetliteľnosti modelov pre NLP alebo rôzne inovatívne paradigmy učenia adresujúce problém nízkej dostupnosti zdrojov potrebných pre učenie.

    Zaujímavé výskumné výzvy zahŕňajú (najmä, ale nielen):

    • Spracovanie jazykov s malým množstvom zdrojov

    • Učenie s prenosom / multilingválne učenie

    • Férovosť, interpretovateľnosť, transparentnosť, vysvetliteľnosť a robustnosť pre NLP

    • Doménovo-špecifická extrakcia informácií a klasifikácia textu

    • Vizuálne ukotvenie jazyka, titulkovanie obrázkov, spracovanie multimodálnych dát

    • Hlboké učenie pre NLP

    Súvisiace publikácie:

    • Pikuliak, M., Šimko, M., Bieliková, M. Cross-lingual learning for text processing: A survey. Expert Systems with Applications, 2021. https://doi.org/10.1016/j.eswa.2020.113765

    • Korenek, P., Šimko, M. Sentiment analysis on microblog utilizing appraisal theory. World Wide Web, 2014. https://doi.org/10.1007/s11280-013-0247-z

    Výskum bude doktorand vykonávať v rámci Kempelenovho inštitútu inteligentných technológií (KInIT, https://kinit.sk) v Bratislave v spolupráci s priemyselnými partnermi alebo výskumníkmi zo svetovo uznávaných výskumných skupín. Predpokladá sa kombinovaná (externá) forma štúdia a pracovný pomer na plný úväzok v KInIT.

    Školitel: Šimko Marián, doc. Ing., Ph.D.

  46. Strojové učení pro identifikaci informací na webu

    Přestože existují technologie, které umožňují publikovat data na WWW ve strojově čitelné podobě (jako např. JSON-LD, RDFa, apod.), velké množství strukturovaných dat je na webu stále publikováno ve formě prostého HTML/CSS kódu, který velmi omezuje možnosti jejich dalšího využití.

    V poslední době nabývají na významu nové metody strojového učení (zejména deep learning metody), které vykazují zajímavé výsledky např. při rozpoznávání důležitých entit ve slabě strukturovaných nebo nestrukturovaných datech (např. v textu nebo obraze). Oblasti zpracování webových dokumentů však není z tohoto pohledu věnována velká pozornost. Existující práce se zabývají identifikací jednoduchých datových položek a pomíjí strukturovaná data a komplexnější scénáře použití.

    Cílem tématu je proto analýza a vývoj modelů webového obsahu vhodných jako vstup pro strojové učení a současně i metod strojového učení vhodných pro rozpoznání strukturovaných dat ve webových dokumentech.

    Školitel: Burget Radek, doc. Ing., Ph.D.

  47. Strojové učenie s aktívnym zapojením človeka

    Modely vytvárané strojovým učením môžu byť len tak dobré, aké dobré sú dáta, ktoré použijeme na ich trénovanie. Aj preto sa výskumníci a inžinieri snažia získavať čo najlepšie trénovacie dáta. Nie je pritom zriedkavé vynakladať značné ľudské úsilie (pri čistení či anotovaní) s cieľom dosiahnuť potrebnú všeobecnú kvalitu. Niekedy je však ťažké, prípadne nemožné dostatočne pripraviť vzorku dát.

    V takýchto prípadoch môžu pomôcť riešenia založené na princípe "človek v procese" (angl. human in the loop), ktorý využíva ľudské úsilie na vylepšovanie strojovo naučených modelov prostredníctvom ľudských zásahov priamo počas trénovania a/alebo počas nasadenia modelov (napr. spätná väzba pri automatickom preklade). Tieto riešenia sú špeciálne užitočné pri cielených zlepšeniach trénovacích dát prostredníctvom identifikácie a riešenia sporných prípadov. Toto je taktiež priamo spojené s vysvetliteľnosťou a interpretovateľnosťou modelov.


    Prístupy s človekom procese zahŕňajú pestrú paletu techník z oblastí ako aktívne a interaktívne učenie, ľudské počítanie, čerpanie z davu či kolektívna inteligencia (spolu s motivačnými schémami ako gamifikácia a hry s účelom). Každá z týchto oblastí (či ich kombinácia) predstavuje príležitosti pre nové objavy. Taktiež hraničia s ďalšími disciplínami informatiky ako vizualizácia dát, použiteľnosť a používateľský zážitok a softvérové inžinierstvo.


    Aplikačné domény strojového učenia s človekom v procese sú predovšetkým tie s veľkou mierou heterogenity a nestálosti. Takéto domény zahŕňajú napríklad aj detekciu falošných informácií, šírenie informácií online (vrátane šírenia naratívov a mémov), auditovanie algoritmov sociálnych médií a ich tendencií šíriť dezinformácie, podpora manuálneho/automatického overovania informácií (fact-checking) a ďalšie.


    Súvisiace publikácie:

    • M. Tomlein, B. Pecher, J. Simko, I. Srba, R. Moro, E. Stefancova, M. Kompan, A. Hrckova, J. Podrouzek, and M. Bielikova. An Audit of Misinformation Filter Bubbles on YouTube: Bubble Bursting and Recent Behavior Changes. In Fifteenth ACM Conference on Recommender Systems (pp. 1-11). 2021, September. https://dl.acm.org/doi/10.1145/3460231.3474241 

    • J. Šimko and M. Bieliková. Semantic Acquisition Games: Harnessing Manpower for Creating Semantics. 1st Edition. Springer Int. Publ. Switzerland. 150 p. https://link.springer.com/book/10.1007/978-3-319-06115-3 


    Výskum bude doktorand vykonávať v rámci Kempelenovho inštitútu inteligentných technológií (KInIT, https://kinit.sk) v Bratislave v spolupráci s priemyselnými partnermi alebo výskumníkmi zo svetovo uznávaných výskumných skupín. Predpokladá sa kombinovaná (externá) forma štúdia a pracovný pomer na plný úväzok v KInIT.

    Školitel: Šimko Jakub, doc. Ing., PhD.

  48. Strojové učenie s obmedzeným množstvom (označkovaných) dát

    Všadeprítomnosť počítania dnes generuje množstvo dát potenciálne využiteľných v trénovaní modelov v strojovom učení. Problémom však je, že tieto dáta spravidla nebývajú anotované, teda bez značiek potrebných pre konvenčné učenie s učiteľom (napr. klasifikáciu). Získavanie značiek pomocou ľudskej práce je pritom veľmi nákladný proces. Výsledkom je teda stav, v ktorom je potrebných značiek málo, sú zlej kvality, alebo vôbec nie sú k dispozícii.

    Na obídenie tohto problému sú v súčasnosti skúmané viaceré prístupy: meta-učenie, učenie s prenosom (transfer learning), učenie so slabými signálmi spätnej väzby (weakly supervised learning), učenie s jedným príkladom (one-shot learning), učenie bez priameho príkladu (zero-shot learning). Každá z týchto techník (alebo ich kombinácia) predstavuje príležitosť pre nové objavy. Ortogonálne k týmto technikám tiež stojí vysvetliteľnosť a interpretovateľnosť modelov, ktorá je dôležitým faktorom a prínos v tomto smere je vítaný (v rámci uvádzaných techník aj všeobecne v umelej inteligencii).

    Existuje veľa aplikačných domén, kde sa metódy a modely riešenia malého množstva označkovaných dát dajú uplatniť. Nachádzajú sa medzi nimi aj veľmi aktuálne oblasti detekcie nepravdivých informácií, auditovanie algoritmov sociálnych médií a ich tendencií šíriť dezinformácie, či podpora overovania informácií (fact-checking).

    Súvisiace publikácie:

    • B. Pecher, I. Srba, and M. Bielikova. Learning to Detect Misinformation Using Meta-Learning. Presented in PhD Forum by B. Pechcer at the European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases - ECML-PKDD 2020.

    • M. Pikuliak, M. Simko, M. Bielikova. Cross-Lingual Learning for Text Processing: A Survey Expert Systems With Applications or its open access mirror. Expert Systems with Applications. Vol. 165, 2021. https://doi.org/10.1016/j.eswa.2020.113765 

    Výskum bude doktorand vykonávať v rámci Kempelenovho inštitútu inteligentných technológií (KInIT, https://kinit.sk) v Bratislave v spolupráci s priemyselnými partnermi alebo výskumníkmi zo svetovo uznávaných výskumných skupín. Predpokladá sa kombinovaná (externá) forma štúdia a pracovný pomer na plný úväzok v KInIT.

    Školitel: Bieliková Mária, prof. Ing., Ph.D.

  49. Strojové učenie v bezpečnosti

    Množstvo problémov týkajúcich sa bezpečnosti je potrebné riešiť prostredníctvom metód založených na umelej inteligencii a s pomocou strojového učenia. Medzi aktuálne výskumné problémy v oblasti informačnej bezpečnosti patrí analýza údajov veľkých bezpečnostných logov, detekcia širokej škály anomálií pri sieťovej komunikácii, detekcia škodlivého správania. 

    Jednou z aktuálnych výziev umelej inteligencie, je učenie bez potreby označenej dátovej sady. Dnešné modely väčšinou dosahujú vynikajúce výsledky, ale veľa krát ich dosahujú vďaka veľkým množstvám označených trénovacích vzorov. Existujú ale problémy, pri ktorých by vytvorenie takejto dátovej sady bolo veľmi nákladné, alebo sa vytvoriť vôbec nedá. Prístupy učenia posilňovaním (reinforcement learning) umožňujú učiť agenta vykonávať akcie tak, aby dosiahol svoj cieľ, pričom sa snaží maximalizovať svoje odmeny. Takýto agent nepotrebuje označenú dátovú sadu, postačí mu len vonkajšie ohodnotenie jeho správania (odmena za dobré rozhodnutia, trest za zlé).


    Výzvou je interpretovateľnosť strojového učenia pri riešeniach bezpečnosti a dôvery.


    Súvisiace publikácie:

    • CHUDÁ, Daniela - KRÁTKY , Peter - BURDA, Kamil. Biometric Properties of Mouse Interaction Features on the Web. In Interacting with Computers : The Interdisciplinary Journal of Human-Computer Interaction. Vol. 30, iss. 5 (2018), s. 359-377.  https://doi.org/10.1093/iwc/iwy015 

    • P. Lacko, V. Kvasnička. Mixture of Expert Used to Learn Game Play. In: Kůrková V., Neruda R., Koutník J. (eds) Artificial Neural Networks - ICANN 2008, Lecture Notes in Computer Science, vol 5163. Springer. https://doi.org/10.1007/978-3-540-87536-9_24


    Výskum bude doktorand vykonávať v rámci Kempelenovho inštitútu inteligentných technológií (KInIT, https://kinit.sk) v Bratislave v spolupráci s priemyselnými partnermi alebo výskumníkmi zo svetovo uznávaných výskumných skupín. Predpokladá sa kombinovaná (externá) forma štúdia a pracovný pomer na plný úväzok v KInIT.

    Školitel: Chudá Daniela, doc. Mgr., Ph.D.

  50. Umělá inteligence v počítačové bezpečnosti

    Rostoucí trend v používání umělé inteligence přináší nové přístupy v oblasti kybernetické bezpečnosti na obou stranách - útočníci i obránci. Nejvýznamnějšími příklady je použití tzv. "deepfakes" k útoku na biometrické systémy nebo využití technik deeplearningu k detekci kybernetických útoků. Cílem této práce je analyzovat všechny existující přístupy, jejich vlastnosti a potenciální aplikace. Práce by poté měla navrhnout nové aplikace AI pro problémy, které nebyly dříve vyřešeny, a zároveň implementovat nejzajímavější aplikaci.

    Očekává se účast na relevantních mezinárodních konferencích a publikování v odborných či vědeckých časopisech.

    Na vedení práce se bude podílet školitel-specialista dr. Kamil Malinka.

    Školitel: Hanáček Petr, doc. Dr. Ing.

  51. Vizuální geo-lokalizace a rozšířená realita na mobilních zařízeních

    Projekt se zabývá geo-lokalizací mobilních zařízení v neznámém prostředí pomocí metod počítačového vidění a počítačové grafiky. Hlavním cílem je výzkum a návrh nových metod registrace obrazu s geo-lokalizovanou obrazovou databází nebo s 3D modelem terénu. Cílem je též implementace navržených metod na mobilních zařízeních a hledání jejich dalších aplikací např. v oblastech zpracování obrazu, výpočetní fotografie a rozšířené reality.


    Školitel: Čadík Martin, doc. Ing., Ph.D.

  52. Vylepšení detekce kybernetických hrozeb

    Toto téma se zaměřuje na proces a techniky používané pro detekci kybernetických hrozeb, získávání a reprezentaci dat o ohrožení. Cílem této disertační práce je prostudovat současné techniky a navrhnout řešení, které efektivně vylepšuje proces a jeho výsledky použitelné pro detekci malwaru a zjišťování dalších informací o kybernetických hrozbách.

    Očekává se účast na relevantních mezinárodních konferencích a publikování v odborných či vědeckých časopisech.

    Na vedení práce se bude podílet školitel-specialista

    Školitel: Hanáček Petr, doc. Dr. Ing.

  53. Vytvoření 3D modelu hlavy z 2D fotografií různorodého původu

    Cílem práce je vytvoření 3D modelu obličeje z 2D fotografií různorodého původu, konkrétně:

    • Seznámení se s tvorbou 3D modelu z 2D fotografií.
    • Stanovení možností - velikost a rozlišení fotografie, stáří fotografie, pozice hlavy, ČB/barevná fotografie a dalších parametrů, aby bylo možné z těchto dat 3D model vytvořit.
    • Návrh a implementace algoritmu pro určení parametrů z předchozího bodu za účelem stanovení použitelnosti vstupních dat a umožnění tvorby 3D modelu.
    • Návrh a implementace algoritmu vytvoření 3D modelu z použitelných vstupních dat.
    • Provedení experimentů a shrnutí dosažených výsledků.
    Očekává se účast na významných mezinárodních konferencích a publikování v odborných či vědeckých časopisech. Zahraniční stáž je možná a silně podporovaná. Tato práce bude řešena v rámci spolupráce s Policií ČR.

    Školitel: Drahanský Martin, prof. Ing., Ph.D.

  54. Využití technologií sémantického webu pro analýzu dokumentů

    Technologie sémantického webu umožňují reprezentaci informací a znalostí pro účely jejich dalšího sdílení např. mezi počítačovými aplikacemi. Dostupné znalostní databáze, jako např. DBPedia nebo Wikidata, obsahují velké množství dále využitelných informací a faktů. Na současném webu je však většina nových informací publikována ve formě dokumentů nejčastěji v jazyce HTML, jejichž další zpracování je problematické zejména kvůli jejich volné struktuře a absenci explicitních informací o významu jednotlivých částí obsahu. Nabízí se dva způsoby, jak tuto propast mezi klasickým a sémantickým webem překonat:

    • Využít strukturované znalosti dostupné v sémantických úložištích jako doplňující znalost umožňující zpřesnit analýzu webových dokumentů a identifikaci v nich obsažených nových informací a naopak
    • Integrovat webové dokumenty jako informační zdroj do znalostních databází.

    Pro dosažení obou těchto cílů je nutné analyzovat možnosti existujících ontologických modelů s ohledem na popis konkrétních cílových domén a možnosti mapování těchto popisů na obsah reálných webových stránek a dokumentů. Možné aplikace zahrnují mimo jiné následující:

    • Rozpoznání tématu celého dokumentu nebo jednotlivých jeho částí na základě analýzy klíčových slov a přiřazení ke konceptům v sémantické databázi.
    • Rozpoznání strukturovaných dat v dokumentech na základě jejich mapování na existující doménové modely - ontologie.
    • Doplňování a aktualizace informací v sémantických databázích z webových zdrojů.

    Nedílnou součástí je rovněž experimentální implementace navržených metod s využitím existujících nástrojů a experimentální ověření na reálných datech a dokumentech.

    Školitel: Burget Radek, doc. Ing., Ph.D.

  55. Vývoj klasifikace retence pro dlouhodobou paměť

    Výzkumný problém: Učení a paměť jsou dva základní vzájemně propojené kognitivní procesy. Učení je změna v chování v důsledku nějaké zkušenosti; zatímco paměť je schopnost ukládat a vybavovat si naučené zkušenosti (týká se dlouhodobé paměti). Proto je důležité posoudit schopnost retence dlouhodobé paměti jednotlivce a vytvořit příslušnou klasifikaci (schopnost pamatovat si, rychlost vybavení si údajů apod).

    Problémy se současnými řešeními: Stávající studie se zaměřují na krátkodobou paměť. Odpovídající studie týkající se dlouhodobé paměti jsou však vzácné. Hlavním důvodem je, že experiment zahrnující krátkodobou paměť lze dokončit velmi rychle, ale experiment zahrnující dlouhodobou paměť vyžaduje značný čas a úsilí.

    Výzvy: Během několika posledních desetiletí výzkumní pracovníci a pedagogové vynaložili značné úsilí na vytvoření obsahu (podnětů pro paměť), který může vést k efektivnímu učení. Kromě 2D a 3D audiovizuálního obsahu se nyní vyvíjí i řešení založená na virtuální realitě. Výzvou je nalézt vhodné stimuly umožňující zvýšit efektivitu učení, popř. detekovat poruchy dlouhodobé paměti.

    Téma práce: Tento výzkum plánuje využít různé 2D a 3D podněty, vyvinout vhodnou klasifikaci retence a tomu odpovídající metodu klasifikace schopností dlouhodobé paměti. Metoda bude založena na učení a měření výkonnosti lidské paměti pomocí analýzy neurofyziologických účinků (zjištěných z mozkových EEG dat) při využití 3D obsahu i virtuální reality během procesu učení a zapamatování. Pro tento projekt je již k dispozici datový soubor EEG.

    Pár slov o školiteli: Dr. Malik nedávno nastoupil na FIT VUT v Brně. Má desetiletou zkušenost s prací v oblasti zpracování neuro-signálů a neuro-obrazu. V současné době je v procesu zakládání výzkumné skupiny v této oblasti na FIT. Jedná se o multidisciplinární projekt, který bude zahrnovat spolupráci s klinickými lékaři. Jádro projektu však souvisí s IT. Jedná se o vývoj nové metody. Neváhejte mě kontaktovat na malik@fit.vutbr.cz

    Školitel: Malik Aamir Saeed, prof., Ph.D.

Struktura předmětů s uvedením ECTS kreditů (studijní plán)

2. ročník, zimní semestr
ZkratkaNázevJ.Kr.Pov.Uk.Hod. rozsahSk.Ot.
JADZkouška z jazyka anglického pro Ph.D.cs, en0Povinně volitelnýdrzkKK - 26Zkouška z angličtinyano
2. ročník, letní semestr
ZkratkaNázevJ.Kr.Pov.Uk.Hod. rozsahSk.Ot.
JADZkouška z jazyka anglického pro Ph.D.cs, en0Povinně volitelnýdrzkano
Libovolný ročník, zimní semestr
ZkratkaNázevJ.Kr.Pov.Uk.Hod. rozsahSk.Ot.
JA6DAngličtina pro doktorandycs, en0Povinně volitelnýdrzkP - 13 / KK - 26 / COZ - 13Zkouška z angličtinyano
PDDAplikace paralelních počítačůcs, en0Povinně volitelnýdrzkP - 39 / KK - 26Odborný předmětano
IV108Bioinformatikacs, en0Povinně volitelnýdrzkP - 13 / KK - 26 / COZ - 13Odborný předmětano
FADFormální analýza programůcs, en0Povinně volitelnýdrzkP - 26 / KK - 26Odborný předmětano
MSDModelování a simulacecs, en0Povinně volitelnýdrzkP - 39 / KK - 26Odborný předmětano
MZDModerní metody zpracování řečics, en0Povinně volitelnýdrzkP - 39 / KK - 26Odborný předmětano
DPC-TK1Optimalizační metody a teorie hromadné obsluhycs0Povinně volitelnýdrzkS - 39Odborný předmětano
ORIDOptimální řízení a identifikacecs, en0Povinně volitelnýdrzkP - 26 / KK - 26 / PR - 13Odborný předmětano
PGDPočítačová grafikacs, en0Povinně volitelnýdrzkP - 39 / KK - 26Odborný předmětano
PBDPokročilé biometrické systémycs, en0Povinně volitelnýdrzkP - 26 / KK - 26 / PR - 4Odborný předmětano
PNDPokročilé techniky návrhu číslicových systémůcs, en0Povinně volitelnýdrzkP - 39 / KK - 26Odborný předmětano
TJDTeorie programovacích jazykůcs, en0Povinně volitelnýdrzkP - 39 / KK - 26Odborný předmětano
ZPDZpracování přirozeného jazykacs, en0Povinně volitelnýdrzkP - 39 / KK - 26Odborný předmětano
ASDZpracování řeči a audia člověkem a počítačemcs, en0Povinně volitelnýdrzkP - 39 / KK - 26Odborný předmětano
MIDModerní matematické metody v informaticecs, en0Povinně volitelnýdrzkP - 26 / KK - 26Teoretický předmětano
MMDModerní metody zobrazování 3D scénycs, en0Povinně volitelnýdrzkP - 39 / KK - 26Teoretický předmětano
TIDModerní teoretická informatikacs, en0Povinně volitelnýdrzkP - 39 / KK - 26 / PR - 13Teoretický předmětano
OPDOptikacs, en0Povinně volitelnýdrzkP - 39 / KK - 26 / PR - 13Teoretický předmětano
RGDRegulované gramatiky a automatycs, en0Povinně volitelnýdrzkP - 39 / KK - 26 / PR - 13Teoretický předmětano
DPC-MA1Statistika. stochastické procesy, operační výzkumcs0Povinně volitelnýdrzkS - 39Teoretický předmětano
APDVybraná témata z analýzy a překladu jazykůcs, en0Povinně volitelnýdrzkP - 39 / KK - 26 / PR - 13Teoretický předmětano
VDDVědecké publikování od A do Zcs, en0VolitelnýdrzkKK - 26 / S - 8ano
Libovolný ročník, letní semestr
ZkratkaNázevJ.Kr.Pov.Uk.Hod. rozsahSk.Ot.
ATNDPokročilá témata v neurozobrazováníen0Povinně volitelnýzkano
BIDBezpečnost informačních systémů a kryptografiecs, en0Povinně volitelnýdrzkP - 39 / KK - 26 / PR - 4Odborný předmětano
EUDEvoluční a neurální hardwarecs, en0Povinně volitelnýdrzkP - 26 / KK - 26Odborný předmětano
EVDEvoluční výpočetní technikycs, en0Povinně volitelnýdrzkP - 26 / KK - 26Odborný předmětano
ISDInteligentní systémycs, en0Povinně volitelnýdrzkP - 26 / KK - 26 / PR - 26Odborný předmětano
SODSystémy odolné proti poruchámcs, en0Povinně volitelnýdrzkP - 39 / KK - 26Odborný předmětano
MADVybrané kapitoly z matematikycs, en0Povinně volitelnýdrzkP - 26 / KK - 26Odborný předmětano
VPDVybrané problémy informačních systémůcs, en0Povinně volitelnýdrzkP - 39 / KK - 26Odborný předmětano
KRDKlasifikace a rozpoznávánícs, en0Povinně volitelnýdrzkP - 39 / KK - 26Teoretický předmětano
MLDMatematická logikacs, en0Povinně volitelnýdrzkP - 26 / KK - 26Teoretický předmětano
TADTeorie a aplikace Petriho sítícs, en0Povinně volitelnýdrzkP - 39 / KK - 26 / Cp - 8Teoretický předmětano
TKDTeorie kategorií v informaticecs, en0Povinně volitelnýdrzkP - 26 / KK - 26Teoretický předmětano
VNDVysoce náročné výpočtycs, en0Povinně volitelnýdrzkP - 39 / KK - 26 / Cp - 26Teoretický předmětano
Všechny skupiny volitelných předmětů
Sk. Počet předm. Předměty
Teoretický předmět 1 - 9 MID, MMD, TID, OPD, RGD, DPC-MA1, APD, KRD, MLD, TAD, TKD, VND
Zkouška z angličtiny 1 - 9 JAD, JA6D