Tomasz Dziubich jest kierownikiem zespołu CV Lab. Pełni funkcję adiunkta na Politechnice Gdańskiej, ale współpracuje również z lokalnym przemysłem. Jego głównym obszarem badań jest gromadzenie, przetwarzanie i analiza danych medycznych. Kierował lub uczestniczył w wielu projektach badawczych, obejmujących różne dziedziny: od medycyny i analizy danych wielkoskalowych, po przetwarzanie bez granic (ang. "pervasive computing") i systemy rozproszone.
Obszary zainteresowań: IT, systemy rozproszone, pervasive computing, analiza big data obrazów medycznych, rozpoznawanie wzorców
E-mail: dziubich@eti.pg.edu.pl
Strona domowa: https://pg.edu.pl/p/tomasz-dziubich-16629
Karol pracuje jako asystent w Katedrze Architektury Komputerowej na Politechnice Gdańskiej. Wykłada tam m.in. przedmioty: Sztuczna Inteligencja oraz Metody Analizy Danych Wielkoskalowych, przy czym ten ostatni stanowi de facto kurs wprowadzający do technik głębokiego uczenia na Politechnice Gdańskiej. Karol jest również współzałożycielem i opiekunem studenckiego koła naukowego "Gradient" zrzeszającego studentów zainteresowanych uczeniem maszynowym. Jego zainteresowania naukowe rozciągają się szeroko wokół badań nad zagadnieniem sztucznej inteligencji, z głównym naciskiem na metody uczenia nadzorowanego i uczenia ze wzmocnieniem. Brał udział w wielu projektach z zakresu uczenia maszynowego na Politechnice oraz w przemyśle, m.in. współtworząc systemy: rozpoznawania poleceń głosowych, rozszerzonej rzeczywistości opartej na markerach, klasyfikacji obrazów medycznych. Obecnie kończy pracę doktorską, w której bada różne reprezentacje tekstu i algorytmy klasyfikacji dla wielkoskalowej wieloetykietowej klasyfikacji tekstu.
Zainteresowania: uczenie maszynowe, głębokie sieci neuronowe, analiza języka naturalnego, analiza obrazów, modelowanie procesów poznawczych.
E-mail: kardrasz@pg.edu.pl
Strona domowa: https://pg.edu.pl/p/karol-draszawka-49427
Adam Brzeski uzyskał tytuł magistra inżyniera informatyki w 2011 roku na Wydziale Elektroniki, Telekomunikacji i Informatyki Politechniki Gdańskiej. W 2011 roku rozpoczął również studia doktoranckie i pracę nad dysertacją w zakresie automatycznej analizy medycznych obrazów endoskopowych. Po raz pierwszy został zatrudniony na Politechnice Gdańskiej w 2009 roku w ramach projektu badawczego dotyczącego analizy obrazów medycznych i przetwarzania równoległego (projekt Mayday), który trwał do 2012 roku. W latach 2013-2015 uczestniczył w projekcie badawczym, którego efektem było wdrożenie internetowej platformy udostępniania danych medycznych dedykowanej dla danych pacjentów po udarze mózgu (projekt IPMed).
Od 2016 roku pracuje jako wykładowca na wydziale ETI, a także jako inżynier wizji komputerowej w przemyśle. Jego zainteresowania naukowe obejmują widzenie komputerowe, uczenie maszynowe, sieci neuronowe, uczenie głębokie, obrazowanie medyczne oraz obliczenia równoległe i rozproszone. Jest autorem ok. 40 publikacji i artykułów naukowych.
Zainteresowania: informatyka, uczenie maszynowe, widzenie komputerowe, przetwarzanie i analiza obrazów, analiza obrazów medycznych.
E-mail: adabrzes@pg.edu.pl
Strona domowa: https://pg.edu.pl/p/adam-brzeski-25876
Jan Cychnerski jest asystentem na Politechnice Gdańskiej. Obszar jego badań obejmuje: uczenie maszynowe, przetwarzanie obrazów oraz zagadnienia analizy obrazów medycznych. Posiada wieloletnie doświadczenie w zakresie wizji komputerowej oraz przetwarzania i analizy danych medycznych. Brał udział w wielu projektach związanych z uczeniem maszynowym, w tym:
Jest współautorem CV-Lab - narzędzia do szybkiego prototypowania algorytmów przetwarzania obrazów.
Zainteresowania: informatyka, uczenie maszynowe, widzenie komputerowe, przetwarzanie i analiza obrazów, analiza obrazów medycznych.
E-mail: jan.cychnerski@eti.pg.edu.pl
Strona domowa: https://pg.edu.pl/p/jan-cychnerski-49584
Paweł Rościszewski uzyskał stopień doktora nauk technicznych w zakresie informatyki na Politechnice Gdańskiej w 2018 roku na podstawie pracy doktorskiej pod tytułem: "Optimization of hybrid parallel application execution in heterogeneous high performance computing systems considering execution time and power consumption". Był adiunktem na Wydziale Elektroniki, Telekomunikacji i Informatyki Politechniki Gdańskiej. Kierował również projektem open-source o nazwie TensorHive, którego celem jest opracowanie lekkiego narzędzia do zarządzania zasobami obliczeniowymi dla rozproszonych treningów głębokich sieci neuronowych. Jego wcześniejsze prace obejmują stworzenie KernelHive, środowiska do automatycznego zrównoleglenia obliczeń w wielopoziomowych heterogenicznych systemach HPC z procesorami i układami graficznymi oraz współtworzenie MERPSYS, środowiska do modelowania i symulacji wykonywania aplikacji równoległych na dużą skalę. Jego głównym obszarem badań jest optymalizacja aplikacji równoległych, ostatnio koncentrująca się na trenowaniu głębokich sieci neuronowych. Zaproponował i wdrożył znaczące optymalizacje w procesie równoległego szkolenia rekurencyjnych sieci neuronowych do modelowania akustycznego w VoiceLab.ai oraz założył nowy kurs High Performance Machine Learning na Politechnice Gdańskiej.
Obszary zainteresowań: wysokowydajne systemy obliczeniowe, uczenie maszynowe
E-mail: pawel.rosciszewski@pg.edu.pl
Strona domowa: http://pg.edu.pl/pawel.rosciszewski