Visual Intelligence

NR er en del av Visual Intelligence, et senter for forskningsdrevet innovasjon med fokus på kunstig intelligens for komplekse bildedata.

Her forsker vi på neste generasjons metoder innen dyp læring for visuelle data, og utvikler løsninger i samarbeid med konsortiepartnere innen blant annet medisin og helse, marinvitenskap, energi og jordobservasjon.

The image shows green nothern lights against a dark, starry sky with mountains below.
Nordlys over et fjellandskap i Nord-Norge. UiT – Norges arktiske universitet, som er vertsinstitusjon for Visual Intelligence, holder til i Tromsø. Bilde: Febiyan / Unsplash.

Neste generasjons metoder for dyp læring på bildedata

Vi utvikler løsninger basert på dyp læring for visuelle data i samarbeid med ledende aktører innen flere fagområder.

Forskningen er særlig rettet mot fire sentrale utfordringer:

  • Hvordan løse utfordringer med begrensede treningsdata
  • Hvordan bygge inn informasjon om kontekst og avhengigheter
  • Hvordan utvikle modeller og metoder for å beregne konfidens og usikkerhet
  • Hvordan utvikle metoder som gir forklarbare og pålitelige prediksjoner

Tverrfaglig metodeutvikling med bred anvendelse

Tverrfaglig metodeutvikling gjør at forskningen vår gir resultater som er nyttige i en rekke ulike anvendelser.

Fordi vi jobber metodisk på tvers av domener, gir forskningen vår løsninger som kan brukes i mange ulike sammenhenger. Metodene vi utvikler skaper synergier mellom fagområder og gir verdi både i forskning og anvendelse.

Nedenfor vises noen av anvendelsesområdene der vi samarbeider tett med fagmiljøer og næringslivspartnere.

Marin bildeanalyse

Sammen med Havforskningsinstituttet jobber vi med analyse av ulike typer bildedata, inkludert marin akustikk, flybilder og mikroskopibilder. Målet er å styrke overvåkning, bestandsvurdering og forståelse av marine økosystemer.

Vi utvikler blant annet:

  • modeller som detekterer og klassifiserer fisk i akustikkdata – et viktig ledd i estimering av fiskebestander
  • modeller som teller selunger i flybilder fra isdekte områder på Grønland
  • hierarkiske modeller for klassifisering av ulike typer plankton i mikroskopibilder
Bildet viser hvordan nettverket oppdager tobis i 4-kanalers akustikkdata. Figur: NR.
Et nettverk er trent opp til å detektere tobis i 4-kanalers akustikk-data Figur: NR.

Vil du vite mer om arbeidet vårt i Visual Intelligence?

Ta kontakt:

Forskningspartnere:

  • UiT Norges arkitiske universitet, Machine Learning Group (vertsinstitusjon)
  • Universitetet i Oslo, Data signalbehandling og bildeanalyse (DSB)

Brukerpartnere:

  • Kreftregisteret
  • GE Healthcare
  • Universitetssykehuset Nord-Norge (UNN)
  • Helse Nord IKT
  • Havforskningsinstituttet
  • Equinor
  • AkerBP
  • Kongsberg Satellite Services (KSAT)

Periode: 2020 – 2028

Flere ressurser:

Visual Intelligence (ekstern hovedside)

Visual Intelligence på LinkedIn (ekstern side)

Medisinsk bildeanalyse

Vi utvikler metoder for medisinsk bildeanalyse som støtter diagnostikk og klinisk beslutningstaking.

Vi samarbeider med Kreftregisteret om å utvikle metoder for analyse av mammografibilder. Ved hjelp av forklarbar kunstig intelligens kan vi identifisere hvor i bildet en kreftsvulst befinner seg – noe som gir både innsikt og støtte til videre medisinsk vurdering.

Sammen med GE Healthcare jobber vi med bildesekvenser fra hjerteultralyd. Her bruker vi grafkonvolusjonsnettverk til å finne målepunkter og modellere hvordan de er plassert i forhold til hverandre.

Vi undersøker også hvordan bruk av grunnmodeller kan redusere behovet for tidkrevende annotering.

Mammografibilde der et dypt nevralt nettverk har identifisert kreft, med forklarbar kunstig intelligens som fremhever området med funn.
Et dypt nevralt nettverk er utviklet for å finne mammografibilder med kreft og metoder for forklarbar KI er brukt til å zoome inn på området der kreften er funnet. Figur: NR.
Bilde viser hvordan grafkonvolusjonsnettverket kartlegger målepunkter i et ultralydbilde av hjerte. Punktene er markert med linjer i blått, grønt og rødt. Ellers er bildet grått, hvitt og sort.
Et grafkonvolusjonsnettverk er utviklet for å finne målepunkter i et ultralydbilde av hjerte. Figur: NR.

Energi

I samrbeid med Equinor og AkerBP utvikler vi en grunnmodell for seismikk. Siden det er krevende å samle store mengder komplette treningsdata innen dette feltet, er det særlig nyttig med en modell som reduserer behovet for data.

På bakgrunn av dette har vi utviklet en interaktiv løsning for tolkning av seismiske data.

Visualisering av seismisk grunnmodell med fargekoder, brukt til interaktiv kartlegging av olje-gass-kontakt på Troll-feltet.
Visualisering av en seismisk grunnmodell brukt til interaktiv kartlegging. Bildet viser olje-gass-kontakten i Troll-feltet, markert med fargekodede lag. Bilde: NR.

Jordobservasjon

Sammen med KSAT utforsker vi bruk av grunnmodeller for jordobservasjon til å oppdage og kartlegge oljesøl til havs, basert på data fra radarsatellitter.

En viktig del av arbeidet er å inkludere tilleggsinformasjon som vindhastighet og vindstyrke, da slike data kan forbedre modellens ytelse og gjøre analysene mer pålitelige.

Sort-hvitt radarbilde som viser oljesøl som mørke flekker på havoverflaten.
På dette satellitbildet vises oljesøl som mørke flekker, fordi oljen demper krusninger og bølger på vannet. Bilde: NR.

Vi utvikler metoder og verktøy som skal kunne tas i bruk og bygges videre på, også etter at senteret avsluttes i 2028. Les mer om de ulike prosjektene våre nedenfor.

Aktuelle prosjekter