28-31 January 2025
Hévíz, Hungary
Department of Artificial Intelligence, VICOS, University of Ljubljana
Matej Kristan is a full professor and a vice chair of the department of artificial intelligence at the Faculty of Computer and Information Science, University of Ljubljana. He leads the Visual object tracking VOT initiative, is president of the IAPR Slovenian pattern recognition society and Associate Editor of IJCV. He has co-organized over thirteen workshops and conferences, he received twenty research excellence and teaching awards, and several best paper awards, among them the BMVC 2022 best paper award. His research interests include visual object tracking, few-shot detection, perception methods for autonomous boats, anomaly detection, and machine-learning-based physics prediction models. According to Google scholar, his works have been cited over 12.000 times, his h-index is 42.
Presentation: HIDRA - a deep model for accurate storm surge flood prediction
Climate change is exponentially intensifying extreme weather events. For example, five of all 25 extreme storm surge coastal floods detected in the North Adriatic in the last 150 years occurred in just 2 weeks of 2019, each devastating to coastal communities and economies. According to the geoscientific Earth models, the floods will continue to intensify into the foreseeable future. There is thus a pressing need to develop accurate flood prediction models that can raise alarms days ahead and activate mitigation plans to protect the coastal communities. In this talk, I will present the HIDRA family of deep neural networks designed by an interdisciplinary team of geophysicists and computer vision experts. HIDRA is the first machine-learning method that outperforms the best geophysics sea surface height prediction model, it is half a million times faster and predicts the sea surface height for 3 days ahead with competitive accuracy. HIDRA is already used in daily prognosis by the Slovenian Environment Agency and is considered for integration into the ECMWF (European Centre for Medium-Range Weather Forecasts) products set.
Visual Recognition Group (VRG), Czech Technical University in Prague
Giorgos Tolias is an associate professor at the Czech Technical University (CTU) in Prague and a researcher and team lead within the Visual Recognition Group (VRG). He obtained his PhD from the National Technical University of Athens (NTUA) in 2013 and later held postdoctoral research positions at Inria-Rennes and CTU. He is a recipient of a starting Junior Star grant from the Czech Science foundation (2021-2025), along with research grants from Naver Labs Europe, Google, and Facebook. In 2017, he received an honorable mention for Best Science Paper at BMVC. His research is regularly published in top computer vision conferences (CVPR, ICCV, ECCV) and journals (IJCV, PAMI). His research interests span visual representation and similarity learning, cross-domain and instance-level recognition.
Presentation: Visual representation and similarity for instance-level retrieval
Instance-level image retrieval focuses on identifying specific objects within image collections, often likened to finding a needle in a haystack—whether in huge datasets containing millions or billions of images or in cluttered visual scenes with tiny objects. This talk highlights the role of and interplay between global and local representations in addressing these challenges. It will cover deep models for image representation and for image-to-image similarity estimation, related loss functions, and the introduction of a new dataset designed to better capture real-world challenges.
HUN-REN Energiatudományi Kutatóközpont, Műszaki Fizikai és Anyagtudományi Intézet, MMA
CV: Villamosmérnöki diplomát 1978-ban, doktori és PhD fokozatot 1982-ben, ill. 1997-ben szerzett. 1990-ig a Czochralski-féle egykristály növesztés adaptív szabályozásával foglalkozott. Ezután néhány évig a népzenei fonográf felvételek adaptív zajszűrésére dolgozott ki algoritmusokat. 2000-től kezdett foglakozni a numerikusan ábrázolt népdalok kapcsolatainak számítógépes keresésével. Ezt később különböző népzenei kultúrák mélyebb kapcsolatainak átfogó vizsgálatára terjesztette ki. Módszereit 2012 óta archeogenetikai haplocsoport-eloszlások kapcsolatainak elemzésére is kiterjesztette, 2016 óta a Szegedi Tudományegyetemen működő archeogenetikai kutatókkal együttműködésben. Számítógépes népzenei és genetikai témában 33 tudományos cikket és 4 könyvet publikált. 1977 óta zenészként és gyűjtőként-kutatóként is foglakozik népzenével. Számos hanglemezt, CD-t készített, sokat koncertezett Magyarországon és külföldön egyaránt. Gyűjtéseiből tudományos és pedagógiai kiadványokat publikált. 2011-ben Szervátiusz díjban, 2012-ben Magyar Aranyérdemkereszt állami kitüntetésben részesült. 2013-ban a Magyar Művészeti Akadémia levelező, majd rendes tagjának választotta. 2017-ben Magyar Örökség, 2023-ban Príma, 2024-ben Martin György díjat kapott.
Előadása: Zenei ősnyelvek nyomainak kutatása mai népzenei kultúrákban öntanuló algoritmusokkal.
A népzenei kultúrák közötti kapcsolatok mélységére elsők között Kodály és Bartók magyar-csuvas-cseremisz-török dallampárhuzamai mutattak rá. A kultúrák változatossága és a dallamok nagy száma miatt a kezdeti eredmények kiterjesztését csak a dallamok numerikus leírása és számítógépes vizsgálata teheti lehetővé. A kapcsolatok átfogó feltárásához kidolgozott számítógépes algoritmusokkal ma 63 zenekultúra mintegy 60 000 dallamát tudjuk vizsgálni. Az egyszerre több kultúrában is meglevő, un. „univerzális dallamtípusok” meghatározására fejlesztettük ki az „Önszervező Felhő” algoritmust, a felügyelet nélkül tanuló mesterséges intelligenciák egy változatát. Az egyes kultúrákat az így kapott 921 univerzális típusba sorolható saját típusaik változatszámával, 921 dimenziós eloszlás-vektorokkal jellemeztük. A kultúránként meghatározott változatszámok korrelációi „szövetségben” terjedő típusok csoportjait mutatták ki. Ezeket a csoportokat joggal tekinthetjük olyan zenei „ősnyelveknek”, amelyek öröksége a mai zenekultúrákban is kimutatható. Hogy milyen súlyokkal, azt az említett eloszlás-vektorok lineárkombinációs modelljeivel jellemeztük. Az elemzést archeogenetikai adatokra is kiterjesztettük, ezzel a zenekultúrák kapcsolataiban valós ősi népességek mozgásai, kapcsolatai sejlenek fel.