Publikacije Arhiva - Page 3 of 6

28.03.2025.31.03.2025.

Generativni AI i kompjuterska vizija za transformaciju uzgoja živine

Nova naučna publikacija istraživača sa Univerziteta Donja Gorica i DunavNET-a istražuje inovativnu upotrebu generativne AI u digitalnoj poljoprivredi. Pod nazivom „Procjena sintetičkih podataka FLUX.1 na YOLOv9 za uzgoj peradi na bazi umjetne inteligencije“, studija pokazuje kako sintetički podaci, generirani korištenjem FLUX.1, mogu efikasno poboljšati modele dubokog učenja za otkrivanje pilića na pametnim farmama. Publikacija je objavljena u Journal of Applied Sciences, specijalno izdanje posvećeno primjeni kompjuterske vizije u industriji i poljoprivredi [link].

Upotreba generativne AI za kreiranje sintetičkih podataka koji se koriste za obuku modela kompjuterskog vida za poljoprivredni sektor

Kombinacijom stvarnih slika i slika generisanih od veštačke inteligencije i pojednostavljenih beleški sa Grounding DINO i SAM2 modelima, tim je postigao impresivnu tačnost detekcije – dokazujući da generativna veštačka inteligencija može premostiti jaz u podacima u preciznoj poljoprivredi. Ovo istraživanje dio je širih napora, uključujući i doktorsko istraživanje mr. Stevan Cakić, kao i saradnja sa kompanijom koja proizvodi platformu za pametnu poljoprivredu. Istraživanje je urađeno u kontekstu HPC4S3ME projekta, a popodržano je i kroz inicijative EuroCC Montenegro, pokazujući kako računarstvo visokih performansi i AI mogu pokrenuti održive inovacije u poljoprivredi.

Arhitektura i sistemsko okruženje koja se koristilo za izvođenje eksperimenta

ABSTRACT – This research explores the role of synthetic data in enhancing the accuracy of deep learning models for automated poultry farm management. A hybrid dataset was created by combining real images of chickens with 400 FLUX.1 [dev] generated synthetic images, aiming to reduce reliance on extensive manual data collection. The YOLOv9 model was trained on various dataset compositions to assess the impact of synthetic data on detection performance. Additionally, automated annotation techniques utilizing Grounding DINO and SAM2 streamlined dataset labeling, significantly reducing manual effort. Experimental results demonstrate that models trained on a balanced combination of real and synthetic images performed comparably to those trained on larger, augmented datasets, confirming the effectiveness of synthetic data in improving model generalization. The best-performing model trained on 300 real and 100 synthetic images achieved mAP = 0.829, while models trained on 100 real and 300 synthetic images reached mAP = 0.820, highlighting the potential of generative AI to bridge data scarcity gaps in precision poultry farming. This study demonstrates that synthetic data can enhance AI-driven poultry monitoring and reduce the importance of collecting real data.

11.03.2025.15.03.2025.

Na INFOTEH konferenciji rad podržan od strane NCC Montenegro

Na 24. međunarodnom simpozijumu INFOTEH-JAHORINA (19-21. mart 2025.) biće predstavljen rad „Transformisanje matričnog rešavanja problema pomoću inteligentnih tutorskih sistema“. Istražuje korištenje OCR i NLP tehnologija za automatiziranu obradu matrice putem inteligentnog četbota za podučavanje.

Ovaj napor je podržan od strane NCC Crne Gore i rezultirao je sistemom koji koristi EasyOCR i Qwen2-Math-7B-Instruct model za matrične operacije sa 95% tačnosti. Implementiran na našem HPC klasteru, omogućava brzu i preciznu obradu korisničkih upita, poboljšavajući učenje pomoću alata koje pokreće AI. Rad će predstaviti gospođa Enisa Trubljanin i gospodin Elvis Taruh, studenti Master AI programa na UDG.

Kliknite na sliku za raspored sesija za prihvaćene radove.

28.02.2025.15.03.2025.

Naučni rad o otkrivanju raka dojke pomoću dubokog učenja na IT2025

Na IT2025 IEEE konferenciji na Žabljaku, istraživači sa Univerziteta Donja Gorica predstavili su svoju najnoviju studiju o korištenju vještačke inteligencije (AI) za dijagnostiku raka dojke. Istraživanje istražuje primjenu modela dubokog učenja, ResNet152 i DenseNet121, za analizu mamografskih slika. Osim kliničkih rezultata, studija naglašava implikacije korištenja računarske infrastrukture visokih performansi (HPC) kako bi se optimizirala obuka i evaluacija modela. Prenošenjem eksperimentalne postavke na HPC resurse, istraživanje otvara puteve za brže razvojne cikluse, istraživanje složenijih arhitektura i skalabilnost za implementaciju u stvarnom svijetu.

ABSTRACT – Artificial Intelligence is rapidly advancing the medical field by providing innovative disease diagnosis, treatment, and research approaches. This study explores the application of artificial intelligence in breast cancer diagnostics, focusing on using convolutional neural networks and deep learning to analyze mammographic images. ResNet152 and DenseNet121 models were used to classify malignant changes, achieving AUC scores exceeding 0.9, demonstrating their clinical utility. The research emphasizes how artificial intelligence can enhance screening efficiency, expedite diagnostic processes, and facilitate personalized treatment approaches. Ethical considerations, including patient safety and the transparency of artificial intelligence systems, were also analyzed. The findings underscore the potential of artificial intelligence to transform diagnostic procedures for breast cancer and highlight the importance of further research to integrate these technologies into clinical practice.

28.02.2025.24.04.2025.

HPC/AI za otkrivanje tuberkuloze: Unapređenje dijagnoze putem rendgenskih snimaka pomoću dubokog učenja na IT2025

Istraživači sa Univerziteta Donja Gorica predstavili su model dubokog učenja za automatsko otkrivanje tuberkuloze na osnovu rendgenskih snimaka pluća na IEEE IT2025 konferenciji. Korišćenjem konvolucione neuronske mreže (CNN), model klasifikuje slike kao normalne ili pozitivne na tuberkulozu sa impresivnom tačnošću od 97.55%. Ovo dostignuće ima potencijal da ubrza postavljanje dijagnoze, smanji opterećenje radiologa i poboljša stopu ranog otkrivanja, naročito u zdravstvenim sistemima sa ograničenim resursima. Kroz primjenu vještačke inteligencije za brzu i pouzdanu analizu medicinskih slika, ovo istraživanje ističe sve značajniju ulogu računarskog vida u savremenoj medicini i njegovu sposobnost da unaprijedi efikasnost i preciznost u otkrivanju bolesti.

Abstrakt – Ovaj rad predstavlja model dubokog učenja koji omogućava brzo i precizno postavljanje dijagnoze tuberkuloze na osnovu rendgenskih snimaka pluća. Razvijeni model koristi konvolutivnu neuronsku mrežu koja omogućava automatsku klasifikaciju snimaka u jednu od dvije kategorije: Normalno ili Tuberkuloza, sa visokim stepenom tačnosti. Model je postigao tačnost od 97.55% na testnom skupu podataka, što ukazuje na njegov potencijal da otvori nove perspektive za medicinske stručnjake u uspostavljanju dijagnoze tuberkuloze. Ovaj model može značajno ubrzati dijagnostički proces, smanjiti opterećenje medicinskog osoblja i povećati njihovu produktivnost u borbi protiv tuberkuloze, jedne od najčešćih plućnih bolesti.

28.02.2025.24.04.2025.

Naučni rad o očuvanju kulturne baštine kroz sintezu govora na IT2025

Na IT2025 IEEE konferenciji na Žabljaku, istraživači sa Univerziteta Donja Gorica predstavili su studiju o kloniranju glasa i tehnologiji pretvaranja teksta u govor (TTS) za očuvanje kulturnog naslijeđa. Njihovo istraživanje upoređivalo je najsavremenije AI modele, uključujući kloniranje glasa u realnom vremenu (RVC), kornjaču AI, Bark i Coqui AI, kako bi procijenili kako mali, visokokvalitetni skupovi podataka mogu proizvesti točniji i prirodniji govor od velikih, nestrukturiranih. Studija naglašava potencijal AI u očuvanju crnogorskog jezika i usmene tradicije, omogućavajući stvaranje audio knjiga, digitalnih arhiva i interaktivnih iskustava. Ovo istraživanje utire put pristupačnijim obrazovnim resursima i poboljšanom kulturnom angažmanu koristeći sintezu govora vođenu umjetnom inteligencijom.

ABSTRACT – This research presents a comparative analysis of modern voice cloning systems, focusing on their ability to generate high-quality speech from limited training data. The paper aims to demonstrate that carefully curated smaller datasets can produce superior results to larger, less structured datasets. The investigation of multiple state-of-the-art models, including Realtime Voice Cloning (RVC), Tortoise AI, Bark, and Coqui AI, establishes optimal data preparation protocols and identifies critical factors in training data quality, with particular emphasis on applications for the Montenegrin language and cultural preservation.

28.02.2025.24.04.2025.

Rad o otkrivanju raka dojke pomoću vještačke inteligencije i dubokog učenja na IT2025

Na IEEE IT2025 konferenciji na Žabljaku, istraživači sa Univerziteta Donja Gorica predstavili su svoje najnovije istraživanje o primjeni vještačke inteligencije (AI) u dijagnostici raka dojke. Istraživanje se bavi upotrebom modela dubokog učenja, ResNet152 i DenseNet121, za analizu mamografskih snimaka. Pored kliničkih rezultata, studija naglašava značaj korišćenja računarske infrastrukture visokih performansi (HPC) za optimizaciju obuke i evaluacije modela. Prenošenjem eksperimentalne postavke na HPC resurse, otvaraju se putevi za brže razvojne cikluse, istraživanje složenijih arhitektura i skalabilnost za primjenu u stvarnim uslovima.

Abstrakt – Vještačka inteligencija brzo unapređuje medicinu pružajući inovativne pristupe dijagnostici bolesti, tretmanu i istraživanju. Ova studija istražuje primjenu vještačke inteligencije u dijagnostici raka dojke, fokusirajući se na upotrebu konvolutivnih neuronskih mreža i dubokog učenja za analizu mamografskih snimaka. Modeli ResNet152 i DenseNet121 korišćeni su za klasifikaciju malignih promjena, pri čemu su ostvareni AUC rezultati veći od 0.9, što potvrđuje njihovu kliničku korisnost. Istraživanje ističe kako vještačka inteligencija može poboljšati efikasnost skrininga, ubrzati dijagnostičke procese i omogućiti personalizovane pristupe liječenju. Takođe su analizirani etički aspekti, uključujući bezbjednost pacijenata i transparentnost AI sistema. Nalazi ukazuju na potencijal vještačke inteligencije da transformiše dijagnostičke procedure za rak dojke i naglašavaju značaj daljih istraživanja radi integracije ovih tehnologija u kliničku praksu.

24.10.2024.20.05.2025.

Magistarski rad: HPC/AI za detekciju raka dojke

Ms. Tamara Pavlovic odbranila je svoj MSc rad na temu primjene HPC/AI za kreiranje prediktivnih modela za detekciju raka dojke dana 23.10.2024. Uz podršku od strane NCC Montenegro, Tamara je sprovela istraživanje u okviru projekta HPC4S3ME, sa fokusom na AI i primjene računarskog vida u medicini. Sa motivacionog aspekta, čestitamo Tamari na završetku i odbrani rada tokom mjeseca podizanja svijesti o raku dojke (‘Roze oktobar’), kada širom svijeta ljudi prihvataju roze boju i nose roze traku kako bi podigli svijest o zdravlju dojki.

APSTRAKT – Vještačka inteligencija (AI) donosi revoluciju u brojne sektore, uključujući i medicinu, nudeći inovativne metode za dijagnostikovanje, liječenje i istraživanje bolesti. Ovaj magistarski rad fokusira se na primjenu AI u dijagnostici raka dojke, koristeći algoritme računarskog vida za analizu mamografskih snimaka. Kroz kombinaciju konvolutivnih neuronskih mreža (CNN) i dubokog učenja razvijeni su modeli koji identifikuju maligne promjene, potencijalno doprinoseći ranijoj i preciznijoj detekciji bolesti. U radu se detaljno ispituje kako AI može unaprijediti efikasnost skrining procesa, smanjiti vrijeme potrebno za postavljanje dijagnoze i omogućiti personalizovaniji pristup liječenju. Pored tehnološkog napretka, razmatrana su i etička pitanja poput bezbjednosti pacijenata i transparentnosti AI sistema. Rezultati ovog istraživanja potvrđuju da primjena AI u dijagnostici raka dojke može značajno unaprijediti medicinske procedure. Testirani modeli, ResNet152 i DenseNet121, pokazali su veoma dobre performanse u klasifikaciji raka dojke. Njihove AUC vrijednosti, koje prelaze prag od 0.9, ukazuju na njihov potencijal za upotrebu u kliničkoj praksi. Ova saznanja ne samo da doprinose unapređenju dijagnostičkih procesa, već i otvaraju mogućnosti za dalja istraživanja i razvoj AI tehnologija u medicini.