K.Sudars has been working at the EDI since 2006. He has received PhD in Computer Science from University of Latvia, Faculty of Computing and he is co-author of 19 SCOPUS scientific publications focusing on R&D in signal processing, deep learning and computer vision. Currently his scientific interests are covering explainable AI, semantic image segmentation and object detection in images. Also K.Sudars is co-founder at start-up company WeedBot dedicated to AI based weeding for delicate crops.
Scopus Author ID 24512667900
Nesenie projekti
-
Automašīnu inteliģence savienotai un koplietojamai mobilitātei (AI4CSM) #H2020
-
Mākslīgais intelekts precīzākai diagnostikai (AI4DIAG) #ESIF
-
Robotizētas nezāļu ierobežošanas iekārtas izveide (RONIN) #ESIF
-
Pētījums par datorredzes paņēmienu attīstību industrijas procesu norises automatizācijai (DIPA) #ESIF
-
Kiberfizikālās sistēmas, ontoloģijas un biofotonika drošai&viedai pilsētai un sabiedrībai (VPP SOPHIS) #SRP (VPP)
- Tehnoloģijas drošai un uzticamai gudrajai pilsētai (GUDPILS) #SRP (VPP)
-
Aveņu un krūmcidoniju vieda bezkontakta fenotipēšana, izmantojot mašīnmācības metodes, hiperspektrālos un 3D attēlus (AKFen) #LCS (LZP)
-
Programmējamas Sistēmas Inteliģencei Automobiļos (PRYSTINE) #H2020
-
Dziļās mašīnmācīšanās pieeja osteoporozes atpazīšanai ar konusa staru datortomogrāfiju (OSTAK) #H2020
- Jauna tehnoloģija ūdeņraža ražošanai no atjaunojamajiem enerģijas resursiem, balstoties uz mākslīga intelekta vadītu izmaksu samazināšanu (HydroG(re)EnergY-Env) #H2020
Nesenās publikācijas
- Sudars, K., Jasko, J., Namatevs I., Ozola L., Badaukis, N. (2020). Dataset of annotated food crops and weed images for robotic computer vision control, Data in Brief, 31. doi:10.1016/j.dib.2020.105833
- Namatevs, I., Sudars, K., Polaka, I., Automatic data labeling by neural networks for the counting of objects in videos, Procedia Computer Science, Vol.149, pp. 151-158, 2019
- Sudars, Kaspars, Ivars Namatēvs, and Kaspars Ozols. 2022. "Improving Performance of the PRYSTINE Traffic Sign Classification by Using a Perturbation-Based Explainability Approach" Journal of Imaging 8, no. 2: 30. https://doi.org/10.3390/jimaging8020030