dr hab. inż. Tomasz Trzciński

Adiunkt, Politechnika Warszawska

English

Biografia

Dr hab. inż. Tomasz Trzciński jest adiunktem na Politechnice Warszawskiej od 2015 r., gdzie kieruje pracami zespołu zajmującego się widzeniem maszynowym CVLab. Stopień doktora habilitowanego uzyskał na Politechnice Warszawskiej w 2020 r., doktora w zakresie wizji maszynowej na École Polytechnique Fédérale de Lausanne w 2014 r., a podwójny dyplom magisterski na Universitat Politècnica de Catalunya oraz Politecnico di Torino. Odbył staże naukowe na Uniwersytecie Stanforda w 2017 r. oraz na Nanyang Technological University w 2019 r. Pełni funkcję Associate Editor w IEEE Access oraz MDPI Electronics, jest także recenzentem prac publikowanych w czasopismach TPAMI, IJCV, CVIU, TIP i TMM, oraz członkiem komitetów organizacyjnych konferencji, m.in. CVPR, ICCV i ICML. Pracował w Google w 2013 r., Qualcomm w 2012 r. oraz w Telefónice w 2010 r. Jest członkiem IEEE oraz Computer Vision Foundation oraz ekspertem Narodowego Centrum Nauki i Fundacji na rzecz Nauki Polskiej. Jest współwłaścicielem firmy Tooploox, gdzie jako Chief Scientist kieruje zespołem zajmującym się uczeniem maszynowym, a także współzałożycielem startupu technologicznego Comixify, wykorzystującego metody sztucznej inteligencji do edycji wideo.

Zainteresowania naukowe: widzenie maszynowe (symultaniczna lokalizacja i mapowanie, wyszukiwanie wizualne), uczenie maszynowe (głębokie sieci neuronowe, modele generatywne, uczenie ciągłe), uczenie reprezentacji (deskryptory binarne).

Oferta pracy na stanowisku post-doc w 3-letnim projekcie NCN Głębokie generatywne spojrzenie na uczenie ciągłe. Aplikacje do 30 czerwca 2021. Więcej informacji dostępnych tutaj.

Kontakt

adres: ul. Nowowiejska 15/19, 00-665 Warszawa, Poland
email: tomasz.trzcinski@pw.edu.pl
tel: +48 22 234 7650
konsultacje: po wcześniejszym uzgodnieniu drogą elektroniczną

Publikacje

Wybrane czasopisma:

K. Deja, J. Dubinski, P. Nowak, S. Wenzel, P. Spurek, T. Trzcinski. End-to-end Sinkhorn Autoencoder with Noise Generator. IEEE Access, 2021. pdf
M. Zamorski, M. Zieba, P. Klukowski, R. Nowak, K. Kurach, W. Stokowiec, T. Trzcinski. Adversarial autoencoders for compact representations of 3D point clouds, Computer Vision and Image Understanding, 2020. arXiv
I. Tautkute, T. Trzcinski, A. Skorupa, L. Brocki, K. Marasek. DeepStyle: Multimodal Search Engine for Fashion and Interior Design. IEEE Access, Vol. 6, Nr. 1, p. 84613-84628, 2019. pdf
M. Pesko, A. Svystun, P. Andruszkiewicz, P. Rokita, T. Trzcinski. Comixify: Transform video into comics, Fundamenta Informaticae, Vol. 168, nr 2-4, p. 311-333, 2019. arXiv demo code
I. Tautkute, T. Trzcinski. Classifying and Visualizing Emotions with EmotionalDAN, Fundamenta Informaticae, Vol. 168, Nr. 2-4, p. 269-285, 2019. arXiv
M. Komorowski, T. Trzcinski. Random Binary Search Trees for approximate nearest neighbour search in binary spaces, Applied Soft Computing, Vol. 79, p. 87-93, 2019. official version
A. Bielski, T. Trzcinski. Understanding Multimodal Popularity Prediction of Social Media Videos with Self-Attention. IEEE Access, Vol. 6, Nr. 1, p. 74277-74287, 2018. pdf
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

Wybrane konferencje:

D. Basaj, W. Oleszkiewicz, I. Sieradzki, M. Górszczak, B. Rychalska, T. Trzcinski, B. Zielinski. Explaining Self-Supervised Image Representations with Visual Probing, International Joint Conference on Artificial Intelligence (IJCAI), 2021.
K. Deja, P. Wawrzyński, D. Marczak, W. Masarczyk, T. Trzcinski. BinPlay: A Binary Latent Autoencoder for Generative Replay Continual Learning, International Joint Conference on Neural Networks (IJCNN), 2021. arXiv
J. Komorowski, M. Wysoczanska, T. Trzcinski. MinkLoc++: Lidar and Monocular Image Fusion for Place Recognition, International Joint Conference on Neural Networks (IJCNN), 2021. arXiv
P. Spurek, S. Winczowski, J. Tabor, M. Zamorski, M. Zięba, T. Trzcinski. Hypernetwork approach to generating point clouds, International Conference on Machine Learning (ICML), 2020. arXiv
M. Koperski, T. Konopczyński, P. Semberecki, R. Nowak, T. Trzcinski. Plugin Networks for Inference under Partial Evidence, IEEE Workshop on Applications of Computer Vision (WACV), 2020. arXiv
W. Oleszkiewicz, S. Jastrzębski, T. Makino, T. Trzciński, L. Moy, K. Cho, L. Heacock, K. J. Geras. Understanding the robustness of deep neural network classifiers for breast cancer screening, International Conference on Learning Representations (ICLR), AI for Affordable Healthcare Workshop, 2020. arXiv
G. Kurzejamski, J. Komorowski, L. Dabala, K. Czarnota, S. Lynen, T. Trzcinski. SuperNCN: Neighbourhood consensus network for robust outdoor scenes matching, Advanced Concepts for Intelligent Vision Systems (ACIVS), 2020. arXiv
M. Zieba, P. Semberecki, T. El-Gaaly, T. Trzcinski. BinGAN: Learning Compact Binary Descriptors with a Regularized GAN. Neural Information Processing Systems (NeurIPS), 2018. arXiv
N. Kapinski, J. Zielinski, B. Borucki, T. Trzcinski, B. Ciszkowska-Lyson, K. Nowinski. Estimating Achilles tendon healing progress with convolutional neural networks. International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI), 2018. arXiv
W. Oleszkiewicz, P. Kairouz, K. Piczak, R. Rajagopal, T. Trzcinski. Siamese Generative Adversarial Privatizer for Biometric Data. Asian Conference on Computer Vision (ACCV), 2018. arXiv
T. Trzcinski, J. Komorowski, L. Dabala, K. Czarnota, G. Kurzejamski, S. Lynen. SConE: Siamese Constellation Embedding Descriptor for Image Matching. European Conference on Computer Vision (ECCV), Workshop on 3D Reconstruction in the Wild, 2018. arXiv
J. Komorowski, K. Czarnota, T.Trzcinski, L. Dabala, S. Lynen. Interest point detectors stability evaluation on ApolloScape dataset. European Conference on Computer Vision (ECCV), Workshop on ApolloScape: Vision-based Navigation for Autonomous Driving, 2018. arXiv
A. Bielski, T. Trzcinski. Pay Attention to Virality: understanding popularity of social media videos with the attention mechanism. Computer Vision and Pattern Recognition (CVPR), Understanding Subjective Attributes of Data Workshop, 2018 (oral presentation). arXiv
I. Tautkute, T. Trzcinski, A. Bielski. I Know How You Feel: Emotion Recognition with Facial Landmarks. Computer Vision and Pattern Recognition (CVPR), Women in Computer Vision Workshop, 2018. arXiv
T. Trzcinski, M. Glinka, Ł. Graczykowski for the ALICE Collaboration. Using Random Forest Classifier for particle identification in the ALICE Experiment. Conference on Information Technology, Systems Research and Computational Physics (ITSRCP), 2018. pdf
K. Deja, T. Trzcinski, Ł. Graczykowski for the ALICE Collaboration. Generative Models for Fast Cluster Simulations in the TPC for the ALICE Experiment. Conference on Information Technology, Systems Research and Computational Physics (ITSRCP), 2018. pdf
T. Trzcinski, A. Bielski, P. Cyrta, M. Zak. SocialML: machine learning for social media video creators. Neural Information Processing Systems (NIPS) Workshop on Machine Learning for Creativity and Design, 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
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

Profil Google Scholar

Artykuły prasowe

Granty

OPUS 20/ST6: Głębokie generatywne spojrzenie na uczenie ciągłe, 2021-2024.
Microsoft Research PhD Scholarship Award: Realistyczne renderowanie postaci ludzi na podstawie niepełnej informacji, 2020-2023.
Grant Priorytetowe Obszary Badawcze PW - Sztuczna Inteligencja i Robotyka: Binarne reprezentacje danych i ich wykorzystanie w uczeniu ciągłym, 2020-2021.
Grant Priorytetowe Obszary Badawcze PW - Fizyka Wysokich Energii i Techniki Eksperymentu: WUT@ALICE: Badanie fundamentalnych właściwości silnie oddziałującej materii za pomocą korelacji cząstek oraz uczenia maszynowego w eksperymencie ALICE na LHC, 2020-2021.
Grant Rady Dyscypliny Naukowej Informatyka Techniczna i Telekomunikacja PW: Opracowanie metody predykcji spontanicznych przedwczesnych porodów na podstawie filmów ultrasonograficznych z wykorzystaniem metod uczenia maszynowego, 2020-2021.
FNP TEAM-NET (UJ): Bioinspirowalne sieci neuronowe, 2019-2023. strona projektu
Google Project ARCore: Hierarchiczna reprezentacja wizualna dla lokalizacji na podstawie obrazu, 2019-2020.
Grant dziekański: Predykcja przedwczesnego porodu w oparciu o zdjęcia ultrasonograficzne przy wykorzystaniu sztucznych sieci neuronowych, 2019.
Google Project ARCore: Poprawa stabilności detekcji punktów charakterystycznych obrazu przy wykorzystaniu głębokich sieci neuronowych, 2018-2019.
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. informacje projektowe
Analiza Algorytmów: PW, od 2015.
Foundations of Imaging Science: EPFL, 2011-2013.

Informacje na temat prac dyplomowych (inżynierskich i magisterskich) oraz aktualna lista tematów