Nyheter fra Digital Signalbehandling og Bildeanalyse (DSB)

Fredrik Lingvall kommer att presentera sin forskning om modelbaserade metoder inom ultraljud.

http://folk.uio.no/fl/

Föredraget är en kort introduktion till Bayesianska inferensmetoder och hur dessa kan användas för att lösa vetenskapliga problem som till exempel parameter estimering och modellselektion.

Innehåll:

• Sannolikhetsregler
• Marginalisering
• Parameterestimering
• Modellselektion

Fredrik Lingvall

Prøveforelesning for graden PhD over emnet "Ocean observations with satellite SAR. Capabilities and limitations.”

Sted: Lille auditorium, Informatikkbygningen.

Forsvar av avhandlingen “Automatic screening synthetic aperture radar imagery for detection of oil pollution in the marine environment” skjer kl. 12.15 samme sted.

Ann vil arbeide med stråleforming og sonar. Hun har sin første arbeidsdag på Ifi fredag 4.1.

Forelesning av Sverre Holm i auditorium 5, Vilhelm Bjerknes hus

Fredrik Lingvall introduserer problemstillingen og forteller om sin statistiske metode for korreksjon ved DSP. Deretter går Sverre Holm inn på en annerledes filosofi basert på Linkwitz' design av høyttalere for best mulig interaksjon med rommet.

Rom 3B

Artikkelen "Adaptive Beamforming Applied to Medical Ultrasound Imaging", J.-F.,Synnevåg, A. Austeng, og S. Holm, ble publisert i IEEE Ultrasonics, Ferroelectrics, and Frequency Control i august 2008.

Gjesteforelesning av Jón Atli Benediktsson fra University of Iceland, Asbjørn Berges phd-opponent.

Sted: Møterom Alfa&Omega, 4. etg. i Informatikkbygningen.

Data fusion for classification of remote sensing data is discussed. In the first part of the talk, Multiple Classifier Systems (MCS) for remote sensing applications are reviewed. Standard MCS methods (boosting, bagging, consensus theory and random forests) are briefly described and applied to multisource data (satellite multispectral images, elevation, slope and aspect data) for landcover classification. In a second part, special attention is given to decision fusion based on Support Vector Machines (SVM) algorithms and each image source is individually classified by an SVM. In decision fusion the outputs of the pre-classification are combined to derive the final class memberships. This fusion is performed by another SVM. The results are compared with well-known parametric and nonparametric classifier methods. The proposed SVM-based fusion approach outperforms all other concepts and improves the results of a single SVM that is trained on the whole multisensor data set. Moreover the results clearly show that the individual image sources provide different information and a multisensor approach generally outperforms single-source classifications.