
Gépi Érzékelés Kutatólaboratórium
A Gépi Érzékelés Kutatólaboratórium a környezet intelligens értelmezésével foglalkozik. Fő kutatási területeink közé tartozik az autonóm járművek érzékelése, 3D modellek és LIDAR adatok elemzése, valamint biometrikus jellemzők mozgás és gesztusok alapján történő felismerése. Emellett objektumok keresésével és követésével, valamint változásdetektálással is foglalkozunk különböző érzékelők adataiból. Kiemelt figyelmet fordítunk az adatok fúziójára, felskálázására és tömörítésére. Távérzékelési adatok felhasználásával támogatjuk a biodiverzitás és környezeti modellezési kutatásokat. Laboratóriumunkban gépi tanulási eljárások kutatása és fejlesztése is zajlik, melyeket gyakorlati alkalmazásokban is hasznosítunk. Földi és légi robotok együttműködésével térképezési és megfigyelési feladatokat látunk el, valamint orvosi képfeldolgozással is foglalkozunk. Munkánk mellett fontosnak tartjuk a tudománynépszerűsítést és a részvételt az egyetemi oktatásban.
Részleg vezetője
Titkárnő
Projektmenedzser
Projektasszisztens
Contact info
Cím
1111 Budapest, Kende u. 13-17.
Központi telefonszám
+36 1 279 6106
Fax
+36 1 279 6292
Kutatási területek és szakmai tevékenységek
- Módszertani kutatások
- Autonóm járművek és mobil robotok környezetérzékelése
- Különböző érzékelési modalitások fúziója
- LIDAR adatok felskálázása és tömörítése
- Gépi tanulási eljárások kutatása, fejlesztése, gyakorlati felhasználása
- Alkalmazások
- Objektumok keresése és követése kamera-, radar- és LIDAR adatokon
- Változások keresése földi-, légi- és távérézékelési adatokon
- Térképezés, megfigyelés földi és repülő robotok együttes használatával
- Biodiverzitás és környezeti modellezési kutatások támogatása távérzékelési adatokból
- Biometrikai tulajdonságok felismerése és nyomonkövetése (pl. mozgás és gesztusok alapján)
- Orvosi képfeldolgozás
- Disszemináció és oktatás
- Tudománynépszerűsítés (ismeretterjesztő előadások, Kutatók éjszakája, AI Summit, AI Symposium)
- Oktatás, utánpótlás nevelés (BME, PPKE)
- doktori, TDK, szakdolgozat és szakmai gyakorlati témavezetés
Kutatási projektek
- A pilóta nélküli légi járművek (UAV) megkülönböztetése a madaraktól és más repülő tárgyaktól (AFOSR)
- Helyszínelemzés és -rekonstrukció hiányos téradatok alapján (OTKA)
- Effektív környezetérzékelés és rekonstrukció: Pontfelhők releváns információit megörző egyszerűsítése és tömörítése (NKKP)
- Elosztott érzékelő rendszerek: szemantikai & geometriai modellezés (OTKA)
Innovációs projektek
- PROACTIF - Pilóta nélküli járművek polgári biztonsági és megfigyelési feladatokhoz (EU Chips Act, 2025-2028)
- B-Prepared (EU Horizon Europe, 2023-2026)
- ADSIL - Autonóm vezetési rendszer innovatív kamera-LIDAR integrációval (EUREKA XECS, 2025-2027)
- Műholdas légiadatok fúziója a biodiverzitás változásainak jellemzésére (Európai Űrügynökség, ESA, 2023-2025)
- OWETIS - Vizes élőhelyek műhold alapú megfigyelése (Európai Űrügynökség, ESA, 2016-2018)
- MAPIS - Többcsatornás passzív ISAR képalkotás katonai alkalmazásokhoz (European Defense Agency, EDA, 2014-2017)
- Kisméretű légi járművek felismerése és követése (2022-2023)
- Útfelület-eltérés felismerése (2023-2024)
- Optikai hulladékválogató fejlesztése (2017-2018)
- Önvezető járművek környezetérzékelő algoritmusai (2017-2018, Knorr-Bremse Ltd.)
Kiemelt publikációk
- Wanting Xu, Xinyue Zhang, Marc Pollefeys, Daniel Barath & Laurent Kneip (2025): Generalized Relative Pose and Scale from Affine Correspondences. International Journal of Computer Vision, June 2025, https://doi.org/10.1007/s11263-025-02452-0
- Z Rozsa, A Madaras, T Sziranyi (2025): Efficient Moving Object Segmentation in LiDAR Point Clouds Using Minimal Number of Sweeps. IEEE Open Journal of Signal Processing, V.6 10.1109/OJSP.2025.3532199
- Kovács, L., & Bódis, B. M., & Benedek, C. (2024). LidPose: Real-Time 3D human pose estimation in sparse Lidar point clouds with non-repetitive circ scanning pattern. Sensors, 24(11), Article 3427, 25 pages. https://doi.org/10.3390/s24113427
- Keszler, A., & Tuza, Z. (2024). Spectrum of 3-uniform 6- and 9-cycle systems over K(3)v − I. Discrete Mathematics, 347(3), Article 113782, 10 pages. https://doi.org/10.1016/j.disc.2023.113782
- Rózsa, Z., & Szirányi, T. (2023). Optical flow and expansion based deep temporal up-sampling of LIDAR point clouds. Remote Sensing, 15(10), Article 2487, 19 pages. https://doi.org/10.3390/rs15102487
- Ibrahim, Y., & Benedek, C. (2023). MVPCC-Net: Multi-view based point cloud completion network for MLS data. Image and Vision Computing, 134, Article 104675, 13 pages. https://doi.org/10.1016/j.imavis.2023.104675
- Zováthi, Ö., & Pálffy, B., & Jankó, Z., & Benedek, C. (2023). ST-DepthNet: A spatio-temporal deep network for depth completion using a single non-repetitive circular scanning Lidar. IEEE Robotics and Automation Letters, 8(6), 3270–3277, 8 pages. https://doi.org/10.1109/LRA.2023.3266670
- Rózsa, Z., & Golarits, M., & Szirányi, T. (2022). Immediate vehicle movement estimation and 3D reconstruction for mono cameras by utilizing epipolar geometry and direction prior. IEEE Transactions on Intelligent Transportation Systems, 23(12), 23548–23558, 11 pages. https://doi.org/10.1109/TITS.2022.3199046
- Barath, D., & Matas, J. (2022). Graph-Cut RANSAC: Local optimization on spatially coherent structures. IEEE Transactions on Pattern Analysis and Machine Intelligence, 44(9), 4961–4974, 14 pages. https://doi.org/10.1109/TPAMI.2021.3071812
- Barath, D., & Noskova, J., & Matas, J. (2022). Marginalizing sample consensus. IEEE Transactions on Pattern Analysis and Machine Intelligence, 44(11), 8420–8432, 13 pages. https://doi.org/10.1109/TPAMI.2021.3103562
- Göncz, L., & Majdik, A. (2022). Object-based change detection algorithm with a spatial AI stereo camera. Sensors, 22(17), Article 6342, 16 pages. https://doi.org/10.3390/s22176342
- Liu, C., & Szirányi, T. (2022). Road condition detection and emergency rescue recognition using on-board UAV in the wilderness. Remote Sensing, 14(17), Article 4355, 27 pages. https://doi.org/10.3390/rs14174355
- Zováthi, Ö., & Nagy, B., & Benedek, C. (2022). Point cloud registration and change detection in urban environment using an onboard Lidar sensor and MLS reference data. International Journal of Applied Earth Observation and Geoinformation, 110, Article 102767, 13 pages. https://doi.org/10.1016/j.jag.2022.102767
Szabadalmak
Elfogadott
- Benedek, Csaba, Csetverikov, Dmitrij, Jankó, Zsolt, Szirányi, Tamás, Börcs, Attila, Józsa, Oszkár, & Eichhardt, Iván. Method and system for generating a three-dimensional model. US10163256B2. USA. https://patents.google.com/patent/US10163256B2/en
- Szirányi, Tamás, & Szolgay, Dániel. Method for decomposing an image consisting of pixels to cartoon image and/or texture image. WO/2013/088183. Switzerland, Germany, UK, Hungary. https://patentscope.wipo.int/search/en/WO2013088183
Benyújtott
- Benedek, Csaba, Csetverikov, Dmitrij, Jankó, Zsolt, Szirányi, Tamás, Börcs, Attila, Józsa, Oszkár, & Eichhardt, Iván. Method and system for generating a three-dimensional model. Application: EU. https://patentscope.wipo.int/search/en/detail.jsf?docId=EP160579456
- Bugár-Mészáros, Barnabás, Majdik, András, Rózsa, Zoltán, & Szirányi, Tamás. Method and system for generating a radiation plan. Applications: EP, WO, US. https://patentscope.wipo.int/search/en/detail.jsf?docId=US444089616&_fid=WO2023007198
- Nagy, Balázs, Kovács, Lóránt, Benedek, Csaba, Szirányi, Tamás, Zováthi, H. Örkény, & Tizedes, László. Training method for training a change detection system, training set generating method therefor, and change detection system. WO/2023/007198. https://patentscope.wipo.int/search/en/detail.jsf?docId=WO2023007198&_cid=P12-LDSTMY-76609-1
- Benedek, Csaba, Szirányi, Tamás, Zováthi, H. Örkény, Jankó, Zsolt, Kégl, Marcell, Kovács, Lóránt, Pállfy, Balázs, Rózsa, Zoltán, & Kövendi, József. Method and system for depth completion. PCT/HU2024/050016. https://patentscope.wipo.int/search/en/detail.jsf?docId=WO2024180357
- Balla, Krisztián, Keszler, Anita, Majdik, András, Szirányi, Tamás, & Gazdag, Sándor. Detection and classification of small-sized UAVs and birds in sparse LIDAR point cloud. P2400517.