dr hab. inż. Tomasz Trzciński

Profesor uczelni, Politechnika Warszawska

English

Biografia

Dr hab. inż. Tomasz Trzciński, prof. PW kieruje pracami zespołu zajmującego się widzeniem maszynowym CVLab. Kieruje pracami grupy widzenia maszynowego w IDEAS NCBR, polskim centrum badawczym w obszarze sztucznej inteligencji. 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. W latach 2020-2023 był również członkiem zespołu uczenia maszynowego GMUM na Uniwersytecie Jagiellońskim. 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. Pełni funkcję Senior Member w IEEE, jest członkiem ELLIS Society i dyrektorem jej warszawskiego oddziału, oraz członkiem ALICE Collaboration w CERN, jest ekspertem Narodowego Centrum Nauki i Fundacji na rzecz Nauki Polskiej. Jest współwłaścicielem oraz Chief Scientist w Tooploox, a także współzałożycielem startupu technologicznego Comixify, wykorzystującego metody sztucznej inteligencji do edycji wideo.

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

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 artykuły w czasopismach:

B. Wójcik, M. Przewięźlikowski, F. Szatkowski, M. Wołczyk, K. Bałazy, B. Krzepkowski, I. Podolak, J. Tabor, M. Śmieja, T. Trzciński. Zero Time Waste in Pre-trained Early Exit Neural Networks, Neural Networks, Vol. 168, p. 580-601, 2023. pdf
M. Zamorski, M. Stypułkowski, K. Karanowski, T. Trzcinski, M. Zieba. Continual learning on 3D point clouds with random compressed rehearsal, Computer Vision and Image Understanding, 2023. pdf
J. Komorowski, M. Wysoczanska, T. Trzcinski. EgoNN: Egocentric Neural Network for Point Cloud Based 6DoF Relocalization at the City Scale, IEEE Robotics and Automation Letters, 2021. arXiv
P. Spurek, M. Zięba, J. Tabor, T. Trzcinski. General hypernetwork framework for creating 3D point clouds, IEEE Trans. Pattern Analysis and Machine Intelligence (PAMI), 2021.
M. Stypułkowski, K. Kania, M. Zamorski, M. Zięba, T. Trzcinski, J. Chorowski. Representing point clouds with generative conditional invertible flow networks, Pattern Recognition Letters, Vol. 150, p. 26-32, 2021. pdf
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. 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 publikacje konferencyjne:

G. Rypeść, S. Cygert, V. Khan, T. Trzciński, B. Zieliński, B. Twardowski. Divide and not forget: Ensemble of selectively trained experts in Continual Learning , International Conference on Learning Representations (ICLR), 2024. arXiv
W. Masarczyk, M. Ostaszewski, E. Imani, R. Pascanu, P. Miłoś, T. Trzcinski. The Tunnel Effect: Building Data Representations in Deep Neural Networks, Neural Information Processing Systems (NeurIPS), 2023. arXiv
J. Dubiński, S. Pawlak, F. Boenisch, T. Trzcinski, A. Dziedzic. Bucks for Buckets (B4B): Active Defenses Against Stealing Encoders, Neural Information Processing Systems (NeurIPS), 2023.
M. Grzeszczyk, S. Plotka, B. Rebizant, K. Kosinska-Kaczynska, M. Lipa, R. Brawura-Biskupski-Samaha, P. Korzeniowski, T. Trzciński, A. Sitek. TabAttention: Learning Attention Conditionally on Tabular Data. International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI), 2023.
A. Pardyl, G. Rypeść, G. Kurzejamski, B. Zieliński, T. Trzciński. Active Visual Exploration Based on Attention-Map Entropy, International Joint Conference on Artificial Intelligence (IJCAI), 2023. arXiv
K. Kania, S. J. Garbin, A. Tagliasacchi, V. Estellers, K. Moo Yi, T. Trzcinski, J. Valentin, M. Kowalski. BlendFields: Few-Shot Example-Driven Facial Modeling. Computer Vision and Pattern Recognition (CVPR), 2023. arXiv
K. Deja, A. Kuzina, T. Trzcinski, J. Tomczak. On Analyzing Generative and Denoising Capabilities of Diffusion-based Deep Generative Models, Neural Information Processing Systems (NeurIPS), 2022. arXiv
P. Lorek, R. Nowak, T. Trzcinski, M. Zieba. FlowHMM: Flow-based continuous hidden Markov models, Neural Information Processing Systems (NeurIPS), 2022.
P. Spurek, A. Kasymov, M. Mazur, D. Janik, S. Tadeja, Ł. Struski, J. Tabor, T. Trzcinski. HyperPocket: Generative Point Cloud Completion, International Conference on Intelligent Robots and Systems (IROS), 2022. arXiv
M. Wołczyk, K. Piczak, B. Wójcik, Ł. Pustelnik, P. Morawiecki, J. Tabor, T. Trzcinski, P. Spurek. Continual Learning with Guarantees via Weight Interval Constraints, International Conference on Machine Learning (ICML), 2022. arXiv
S. Plotka, M. Grzeszczyk, R. Samaha, P. Gutaj, M. Lipa, T. Trzciński, A. Sitek. BabyNet: Residual Transformer Module for Birth Weight Prediction on Fetal Ultrasound Video. International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI), 2022. arXiv
K. Deja, P. Wawrzynski, W. Masarczyk, D. Marczak, T. Trzcinski. Multiband VAE: Latent Space Alignment for Knowledge Consolidation in Continual Learning. International Joint Conference on Artificial Intelligence (IJCAI), 2022. arXiv
K. Kania, K. Moo Yi, M. Kowalski, T. Trzcinski, A. Tagliasacchi. CoNeRF: Controllable Neural Radiance Fields. Computer Vision and Pattern Recognition (CVPR), 2022. arXiv
M. Wolczyk, B. Wójcik, K. Bałazy, I. Podolak, J. Tabor, M. Śmieja, T. Trzcinski. Zero Time Waste: Recycling Predictions in Early Exit Neural Networks, Neural Information Processing Systems (NeurIPS), 2021. arXiv
M. Sendera, J. Tabor, A. Nowak, A. Bedychaj, M. Patacchiola, T. Trzcinski, P. Spurek, M. Zieba. Non-Gaussian Gaussian Processes for Few-Shot Regression, Neural Information Processing Systems (NeurIPS), 2021. arXiv
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. pdf
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
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
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

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

PRELUDIUM BIS 4/ST6: Zmierzając w stronę wolumetrycznych rekonstrukcji 3D dla filmów w czasie rzeczywistym, 2023-2027.
OPUS 23/ST6: Dynamiczne sieci neuronowe dla wydajnego uczenia maszynowego, 2023-2027.
PRELUDIUM BIS 3/ST6: Ciągłe uczenie samonadzorowanych reprezentacji, 2022-2026.
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