
Roberts Kadiķis ir vadošais pētnieks un Robotikas un mašīnuztveres laboratorijas vadītājs EDI, kur viņš strādā kopš 2011. gada. Galvenās pētījumu jomas ir mākslīgais intelekts, datorredze un mašīnmācīšanās, padziļināti pievēršoties dziļo neironu tīkliem (konvolūcijas neironu tīkli CNN, rekurentie neironu tīkli RNN, ģenerējošie tīkli-pretinieki GAN), izskaidrojamam mākslīgam intelektam, sintētisko apmācības datu ģenerēšanai, skaitļošanas ziņā efektīvu redzes algoritmu izveidei un dabīgā intelektā balstītu konceptu pārnesei uz mākslīgo intelektu. Dziļo modeļu un citu attēlu apstrādes rīku lietošanas pieredze ietver objektu detektēšanas, izsekošanas un attēlu segmentēšanas metožu izstrādi transporta, mobilitātes, biomedicīnas un industrijas uzdevumos. Objektu detektēšanas algoritmu efektivitāte bija tēma promocijas darbā, kas 2018. gadā aizstāvēts elektronikas jomā Rīgas Tehniskajā universitātē.
Nesenie projekti
- Efektīvs modulis automātiskai cilvēku un transporta detektēšanai ar videonovērošanas kamerām (VAPI) #ERAF
-
Pamattehnoloģiju ietvars drošu un autonomu dronu lietojumiem (COMP4DRONES) #H2020
-
Z-uztveres tehnoloģija redzei un identifikācijai, galvenie lietojumi (VIZTA) #H2020
-
Programmējamas Sistēmas Inteliģencei Automobiļos (PRYSTINE) #H2020
-
Silīcija Intelektuālā Īpašuma Izstrādes Nams (SilHouse) #ESIF
-
Mākslīgais intelekts industrijas digitalizēšanai (AI4DI) #H2020
-
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)
- Inovatīvas biomedicīnisko attēlu iegūšanas un apstrādes tehnoloģijas (InBiT) #ESIF
-
Multifunkcionāla inteliģenta transporta sistēmas punkta tehnoloģija (MITS) #ESIF
-
Atbalsts EDI starptautiskās sadarbības projektiem pētniecībā un inovācijās (SS3) #ESIF
-
Silīcija Intelektuālā Īpašuma Izstrādes Nams (SilHouse) 2. kārta #ESIF
-
Inteliģenta kustību vadība saskaņā ar Industriju 4.E (IMOCO4.E) #H2020
- Orgānu uz čipa kultivēšana ar mākslīgā intelekta metodēm personalizētas medicīnas nolūkos. (AimOOC) #H2020
-
Fiziskās un digitālās infrastruktūras paplašināšana un novērtēšana CCAM izvietošanai (AUGMENTED CCAM) #H2020
Nesenās publikācijas
- Lulla M., Rutkovskis A., Slavinska A., Vilde A., Gromova A., Ivanovs M., Skadins A., Kadikis R., Elsts A. Hand-Washing Video Dataset Annotated According to the World Health Organization’s Hand-Washing Guidelines. Data. 2021; 6(4):38. https://doi.org/10.3390/data6040038
- Maksims Ivanovs, Roberts Kadiķis, Kaspars Ozols. 2021. “Perturbation-based methods for explaining deep neural networks: A survey” Elsevier B.V., https://doi.org/10.1016/j.patrec.2021.06.030
- Buls, E., Kadikis, R., Cacurs, R., & Ārents, J. (2019, March). Generation of synthetic training data for object detection in piles. In Eleventh International Conference on Machine Vision (ICMV 2018) (Vol. 11041, p. 110411Z)
- Novickis, R., Levinskis, A., Kadiķis, R., Feščenko. V., Ozols, K. (2020). Functional architecture for autonomous driving and its implementation. 17th Biennial Baltic Electronics Conference (BEC2020), Tallinn, Estonia.
- Rihards Novickis, Aleksandrs Levinskis, Vitalijs Fescenko, Roberts Kadikis, Kaspars Ozols, Anna Ryabokon, Rupert Schorn, Jochen Koszescha, Selim Solmaz, Georg Stettinger, Akwasi Adu-Kyere, Lauri Halla-aho, Ethiopia Nigussie, Jouni Isoaho. "Development and Experimental Validation of High Performance Embedded Intelligence and Fail-Operational Urban Surround Perception Solutions of the PRYSTINE Project", Appl. Sci. 2022, 12(1), 168;
- Romans Maliks, Roberts Kadikis. Multispectral Data Classification with Deep CNN for Plastic Bottle Sorting. 2021 6th International Conference on Mechanical Engineering and Robotics Research (ICMERR), 2022, pp. 58-65, ISBN: 978-1-6654-0641-3
- Ivanovs, Maksims, Kaspars Ozols, Artis Dobrajs, and Roberts Kadikis. 2022. "Improving Semantic Segmentation of Urban Scenes for Self-Driving Cars with Synthetic Images" Sensors 22, no. 6: 2252. https://doi.org/10.3390/s22062252
- Arents, J., Lesser, B., Bizuns, A., Kadikis, R., Buls, E., Greitans, M. (2022). Synthetic Data of Randomly Piled, Similar Objects for Deep Learning-Based Object Detection. In: Sclaroff, S., Distante, C., Leo, M., Farinella, G.M., Tombari, F. (eds) Image Analysis and Processing – ICIAP 2022. ICIAP 2022. Lecture Notes in Computer Science, vol 13232. Springer, Cham. https://doi.org/10.1007/978-3-031-06430-2_59