Biografia
Dr inż. Tomasz Trzciński jest adiunktem w Zakładzie Grafiki Komputerowej Instytutu Informatyki Politechniki Warszawskiej od 2015 r. Uzyskał tytuł doktora w zakresie wizji maszynowej na École Polytechnique Fédérale de Lausanne w 2014 r. Dr. Trzciński otrzymał w 2010 r. dwa dyplomy magisterskie: pierwszy nadany przez Universitat Politècnica de Catalunya w zakresie badań nad technologiami informacyjnymi, drugi nadany przez Politecnico di Torino w zakresie elektroniki. Jest (współ)-autorem wielu publikacji, które ukazały się w renomowanych czasopismach (TPAMI, TIP, TMM, PRL) i były prezentowane na międzynarodowych konferencjach (CVPR, ECCV, NIPS). Jest recenzentem prac publikowanych w prestiżowych czasopismach (TPAMI, VISI, CVIU, TCSVT) oraz materiałów konferencyjnych (CVPR, ICCV, ECCV, BMVC). Dr inż. Tomasz Trzciński pracował w Google w 2013 r., Qualcomm w 2012 r. oraz w Telefónice w 2010 r. W 2017 r. odbył staż naukowy na Uniwersytecie Stanforda. W 2016 r. znalazł się na liście New Europe 100 – innowatorów i liderów pozytywnych zmian z krajów Europy Środkowo-Wschodniej. Od 2015 r. objął funkcję Chief Scientist w Tooploox, gdzie kieruje zespołem zajmującym się uczeniem maszynowym.
Zainteresowania naukowe: analiza wideo, przetwarzanie obrazów, wizja maszynowa, lokalne deskryptory obrazu, wyszukiwanie wizualne, rozszerzona rzeczywistość, geo-lokalizacja wizualna, uczenie maszynowe, predykcja popularności treści internetowych, sieci społecznościowe.
Kontakt
adres: ul. Nowowiejska 15/19, 00-665 Warszawa, Poland
email: t.trzcinski@ii.pw.edu.pl
tel: +48 22 234 7650
konsultacje: wtorek, 14.00-16.00, pok. 415A, kontakt mailowy przed konsultacjami mile widziany
Publikacje
Czasopisma:
- T. Trzcinski, P. Rokita. Predicting popularity of online videos using Support Vector Regression. IEEE Trans. Multimedia (TMM). Vol. 19, Nr. 11, p. 2561-2570, 2017. arXiv
- T. Trzcinski, M. Christoudias, V. Lepetit. Learning Image Descriptors with Boosting. IEEE Trans. Pattern Analysis and Machine Intelligence (PAMI). Vol. 37, Nr. 3, pp. 597-610, 2015. pdf
- B. Fan, Q. Kong, T. Trzcinski, Z. Wang, C. Pan, P. Fua. Receptive Fields Selection for Binary Feature Description. IEEE Trans. Image Processing (TIP). Vol. 23, Nr. 6, pp. 2583-2595, 2014. official version
- T. Trzcinski, V. Lepetit, P. Fua. Thick Boundaries in Binary Space and their Influence on Nearest-Neighbor Search. Pattern Recognition Letters (PRL). Vol. 33, pp. 2173-2180, 2012. pdf, code
- M. Calonder, V. Lepetit, M. Ozuysal, T. Trzcinski, C. Strecha, P. Fua. BRIEF: Computing a local binary descriptor very fast. IEEE Trans. Pattern Analysis and Machine Intelligence (PAMI). Vol. 34, Nr. 7, pp. 1281 - 1298, 2012. pdf
Konferencje:
- T. Trzcinski, P. Andruszkiewicz, T. Bocheński, P. Rokita. Recurrent Neural Networks for Online Video Popularity Prediction. International Symposium on Methodologies for Intelligent Systems (ISMIS), 2017. arXiv
- W. Stokowiec, T. Trzcinski, K. Wolk, K. Marasek, P. Rokita. Shallow reading with Deep Learning: Predicting popularity of online content using only its title. International Symposium on Methodologies for Intelligent Systems (ISMIS), 2017. arXiv
- M. Kowalski, J. Naruniec, T. Trzcinski. Deep Alignment Network: A convolutional neural network for robust face alignment. Computer Vision and Pattern Recognition (CVPR), Face Detection in the Wild Workshop, 2017. arXiv
- J. Myrcha, T. Trzcinski, P. Rokita. Virtual Reality Visualization Algorithms for the ALICE High Energy Physics Experiment on the LHC at CERN. IEEE-SPIE Joint Symposium on Photonics, Web Engineering, Electronics for Astronomy and High Energy Physics Experiments (WILGA), 2017. pdf
- I. Tautkute, A. Możejko, W. Stokowiec, T. Trzcinski, Ł. Brocki, K. Marasek. What Looks Good with my Sofa: Multimodal Search Engine for Interior Design. FEDCSIS Conference on Multimedia, Interaction, Design and Innovation (MIDI), 2017. arXiv
- M. Suchecki, T. Trzcinski. Understanding aesthetics in photography using deep convolutional neural networks. International Conference on Signal Processing: Algorithms, Architectures, Arrangements, and Applications (SPA), 2017. arXiv
- P. Cyrta, T. Trzcinski, W. Stokowiec. Speaker Diarization using Deep Recurrent Convolutional Neural Networks for Speaker Embeddings. International Conference on Information Systems Architecture and Technology (ISAT), 2017. arXiv
- J. Komorowski, T. Trzcinski. Evaluation of Hashing Methods Performance on Binary Feature Descriptors. International Conference on Processing and Communications (IPC), 2017. arXiv
- M. Komorowski, T. Trzcinski. Random Binary Trees for Approximate Nearest Neighbour Search in Binary Space. International Conference on Pattern Recognition and Machine Intelligence (PReMI), 2017. arXiv
- T. Trzcinski, M. Christoudias, P. Fua, V. Lepetit. Boosting Binary Keypoint Descriptors. Computer Vision and Pattern Recognition (CVPR), 2013. pdf, code
- T. Trzcinski, M. Christoudias, V. Lepetit, P. Fua. Learning Image Descriptors with the Boosting-Trick. Neural Information Processing Systems (NIPS), 2012. pdf
- T. Trzcinski, V. Lepetit. Efficient Discriminative Projections for Compact Binary Descriptors. European Conference on Computer Vision (ECCV), 2012. pdf, code
- D. Marimon, T. Adamek, A. Bonnin, T. Trzcinski. Enhancing global positioning by image recognition. International Symposium on Mixed and Augmented Reality (ISMAR), Workshop on Enabling Large-Scale Outdoor Mixed Reality and Augmented Reality, 2011. pdf
Inne:
- T. Trzcinski. Learning and Matching Binary Local Feature Descriptors. Ph.D. Thesis, EPFL, n° 6226 (2014). pdf
- T. Trzcinski. Towards Precise Outdoor Localisation Based on Image Recognition. M.Sc. Thesis, Universitat Politècnica de Catalunya, Politecnico di Torino (2010). pdf
Artykuły prasowe
Granty
- Grant dziekański: Zastosowanie głębokich sieci neuronowych do klasyfikacji filmów wideo w sieciach społecznościowych, 2017.
- SONATA 11/ST6: Opracowanie metod uczenia maszynowego do monitorowania jakości danych o dużej objętości oraz interaktywnych metod ich wizualizacji na przykładzie eksperymentu ALICE na Wielkim Zderzaczu Hadronów w CERN, 2016-2019.
- Google Project Tango: Wydajne i precyzyjne algorytmy wyszukiwania najbliższych sąsiadów dla binarnych deskryptorów lokalnych, 2016-2017.
- Grant dziekański: Zastosowanie algorytmów sztucznej inteligencji do analizy zjawiska wirusowych filmów wideo, 2015.
Dydaktyka
- Podstawy Sztucznej Inteligencji: PW, od 2017.
- Przetwarzanie Cyfrowe Obrazów: PW, od 2015.
- Analiza Algorytmów: PW, od 2015.
- Foundations of Imaging Science: EPFL, 2011-2013.