Speaker

Σταμάτιος Γεωργούλης

Postdoctoral Research Associate - ETH Zurich

Ο Σταμάτιος Γεωργούλης είναι τριτοετής μεταδιδακτορικός ερευνητής στην CVL ομάδατ του ETH Ζυρίχης, συνεργαζόμενος με τον καθηγητή Luc Van Gool για θέματα δημιουργίας εικόνων, πυκνών προβλέψεων και εκμάθησης πολλαπλών εργασιών. Παράλληλα,κατέχει μια θεση ερευνητή στην υπολογιστική όραση και μηχανική μάθηση στο Ερευνητικό Κέντρο της Ζυρίχης της Huawei, σε συνεργασία με τον Καθηγητή Davide Scaramuzza στην υπολογιστική φωτογραφία. Πριν έρθει στη Ζυρίχη, ήταν φοιτητής διδακτορικού στην ομάδα PSI-VISICS του KU Leuven, όπου έλαβε το διδακτορικό του υπό την επίβλεψη των καθηγητών Luc Van Gool και Tinne Tuytelaars, επίσης συνεργάστηκε με τον καθηγητή Mario Fritz, καθηγητή Tobias Ritschel και τον Δρ. Κωνσταντίνο Ρεματά. Κατά τη διάρκεια του διδακτορικού του, η έρευνά του επικεντρώθηκε κυρίως στην εξαγωγή των επιφανειακών χαρακτηριστικών και του φωτισμού - ειδικότερα του τρισδιάστατου σχήματος, της ανάκλασης της επιφάνειας και του περιβαλλοντικού φωτισμού - από εικόνες. Πιο πίσω, ακόμη και πριν φτάσει στο Leuven, έλαβε το δίπλωμα Ηλεκτρολόγων Μηχανικών καιΥπολογιστών Μηχανικώναπό το Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης. Διενήργησε την έρευνα για τη διπλωματική του εργασία με τίτλο "Adaptive Pain Detection via Webcam using Advanced Image Processing Techniques" σε συνεργασία με τον Δρ. Στέφανο Ελευθεριάδη υπό την επίβλεψη του καθηγητή Λεόντιου Χατζηλεοντιάδη. Κατά τη διάρκεια της παραμονής του στη Θεσσαλονίκη, εργάστηκε ως φοιτητής ερευνητής στην Μονάδα Επεξεργασίας Σήματος και Βιοϊατρικής Τεχνολογίας. Συνεργάζεται τακτικά ως κριτής σε μεγάλα συνέδρια και περιοδικά μηχανικής μάθησης και υπολογιστικής όρασης με διακρίσεις, και έχει κερδίσει το βραβείο Best Paper στο IEEE Computer Society Biometrics Workshop of the CVPR 2020 conference.

Deep Learning for Intrinsic Image Decomposition, Multi-Task Learning and Unsupervised Learning

Since the seminal work of ImageNet, neural networks have become the "go-to" approach for many research fields, including computer vision, medical image analysis, natural language processing, and so on. This tremendous success can largely be attributed to a combination of deeper architectures, larger datasets, and better processing units. In this talk, we focus on deep learning techniques applied to a broad range of computer vision applications, including intrinsic image decomposition, multi-task learning and unsupervised learning. We present a short literature review on each topic and analyze good practices to achieve state-of-the-art performance for these tasks within the deep learning framework.