Pandemia da Coronavirus: Informazioni e aggiornamenti per la comunità universitaria Kore.

Logo Università Kore di Enna
Cerca nel sito
Cerca

KORE PlatformLaboratorio STMLab - Laboratory for Speech Technology research and Machine Learning

Home Ricerca Strutture di ricerca – Laboratori KORE Platform Laboratorio STMLab – Laboratory for Speech Technology research and Machine Learning

Il Laboratorio

Il Laboratorio di Speech Technology and Machine Learning dell’Università Kore di Enna (UKE) si occupa di diversi argomenti di ricerca, ad esempio, Speech Processing, Machine Learning, Cybersecurity, Manutenzione predittiva basata su IoT-AI e Fault Detection, AI for Health and Industry .

Il laboratorio è stato coinvolto in diversi progetti di ricerca:

  • RESEARCH COUNCIL OF NORWAY 2021: SCRIBE: Machine transcription of Norwegian conversational speech– 2021-2026. Id: 322964. Total budget: NOK 27 milion (€ 2.65 million). Partners: Norwegian University of Science and Technology – NTNU (Norvegia), Telenor Research (Noway), Nasjonalbiblioteket (Norway)
  • MIUR PRIN – Progetti di Rilevante Interesse Nazionale – 2019-2022. Phonetic analysis of dysarthric speech by speakers of different varieties of Italian to develop clinical tools: objective, quantitative assessment for severity measurement, early diagnosis and rehabilitation planning, taking into account sociophonetic variation. ID: 2017JNKCYZ. Partners: Università del Sannio, Università di Bari, Università di Enna Kore
  • RESEARCH COUNCIL OF NORWAY 2015: Aulus – Atomic units for language universal representation of speech – 2015-2019. Id: 240282/O70. Total budget: NOK 12 milion (€ 1.34 million). Partners: Norwegian University of Science and Technology – NTNU (Norvegia), Eurecom (Francia) e Università di Enna “Kore” (Italia)

ed è attivamente collegato a numerosi partenariati di ricerca industriale.

Regolamenti e Decreti

Il Laboratorio è stato istituito con Decreto del Presidente dell’Università N.174 del 2016.

Il prof. SINISCALCHI Sabato Marco è il direttore.

Organizzazione

Personale

  • SINISCALCHI Sabato Marco (Professore Ordinario)
  • CONTI Vincenzo (Professore Associato)
  • SALERNO Valerio Mario (Professore Associato)
  • SORCE Salvatore (Professore Associato)
  • CILIA Nicole Dalia (Ricercatore RTD-A)
  • GARRAFFA Giovanni (Ricercatore RTD-A)

Assegnisti di Ricerca e Studenti Passati

  • MONTELEONE Salvatore
  • MNASRI Zied
  • SHAHREBABAKI Abdolreza Sabzi

 

Ricerca

La comunicazione e l’interazione tra uomini attraverso la voce è uno dei temi principali per la ricerca e la didattica del laboratorio. La nostra missione è comprendere i processi fondamentali coinvolti nella comunicazione umana per capire meglio come potrebbero essere modellati e supportati. Gli argomenti di ricerca trattati dai membri di STMLab includono: (i) Modellazione acustica, (ii) Apprendimento automatico, (ii) Ampio riconoscimento del vocabolario, (iv) Riconoscimento vocale robusto, (v) Riconoscimento del linguaggio e riconoscimento del parlante.

Abbiamo diverse attività in corso riguardanti le applicazioni sanitarie.

  • I disturbi neurodegenerativi (ND) comprendono un’ampia gamma di condizioni che derivano da un danno progressivo alle cellule e alle connessioni del sistema nervoso essenziali per la mobilità, la coordinazione, la forza, le sensazioni e la cognizione. Il nostro obiettivo è affrontare il rilevamento precoce di ND utilizzando il parlato e la scrittura. In particolare, il nostro obiettivo è costruire uno strumento di rilevamento automatico dei ND basato sul segnale vocale, che possa raggiungere prestazioni elevate in condizioni rumorose sfruttando gli attributi del parlato, ovvero le caratteristiche articolatorie, e che possa funzionare in scenari interlinguistici. Inoltre, miriamo a sviluppare strumenti per supportare la diagnosi precoce e la progressione dei ND attraverso l’analisi della grafia da coordinate online, immagini offline e RGC. L’ultimo strumento è in fase di brevetto.
  • Il cancro è la seconda causa di morte più comune al mondo e comprende scenari clinici e biologici altamente variabili. Il nostro obiettivo è costruire un approccio automatizzato o semiautomatico e interattivo basato su tecniche di intelligenza artificiale al fine di segmentare le masse sulla risonanza magnetica del seno a contrasto dinamico (DCE) e confrontarle con gli approcci esistenti basati sull’elaborazione classica delle immagini. L’approccio computerizzato proposto potrebbe essere implementato negli ambienti di ricerca clinica fornendo uno strumento affidabile per analisi volumetriche e radiomiche.
  • A causa della rapida progressione della malattia in tutto il mondo, molti hanno lavorato a soluzioni per il rilevamento rapido e affidabile di COVID-19. Abbiamo studiato e sviluppato un sistema basato sull’intelligenza artificiale per la diagnosi precoce di COVID-19 e di alcuni tipi di polmonite dalle immagini RX del torace di persone con sospetta infezione da SARS-CoV-2. Nonostante il loro contenuto informativo inferiore, l’imaging a raggi X offre diversi vantaggi come una dose di radiazioni inferiore, costi inferiori sia per il paziente che per il sistema sanitario, una maggiore disponibilità generale e una maggiore accessibilità ai macchinari. La soluzione raggiunge una buona precisione, è conveniente e consente di ridurre il carico di lavoro e di ridurre l’impatto dal lato del paziente.

Abbiamo due attività principali riguardanti le applicazioni di sicurezza.

  •  Biometric Identity Management: Analisi e sviluppo di prototipi software e hardware di sistemi di riconoscimento biometrico unimodali e multimodali. La tematica indagata è relativa alla gestione attraverso tecniche di AI e ML delle informazioni biometriche e della loro elaborazione, attraverso lo sviluppo di prototipi software e hardware, al fine di aumentare la robustezza dei sistemi di autenticazione per l’accesso ad ambienti centralizzati e/o distribuiti.
  • Applicazione Metodologia Bio-Ispirata: Analisi e sviluppo di prototipi software basati su tecniche di sopravvivenza e metodologie di mutazione cellulare. Alcune tecniche di analisi della rete metabolica sono state utilizzate per la costruzione di modelli bio-ispirati per l’analisi della robustezza di una rete e l’identificazione di punti di attacco, detti anche vulnerabilità. Il formalismo sviluppato, con l’opportuna mappatura delle metriche di sicurezza sulle grandezze tipicamente coinvolte nelle reazioni biochimiche, permette di individuare percorsi critici e di evidenziare i punti che presentano il più alto livello di vulnerabilità per il sistema.
  •  Reachability Matrix Ontology (RMO) per il progetto europeo PANOSPETEC: RMO mira a descrivere le reti e il dominio della cybersecurity al fine di calcolare le informazioni di raggiungibilità (matrice di raggiungibilità). Per quanto ne sappiamo, RMO, che sfrutta una combinazione di OWL, regole logiche descrittive e query SPARQL, rappresenta un approccio innovativo al calcolo della matrice di raggiungibilità. Matrice di raggiungibilità determina se un nodo può raggiungere un altro nodo (tramite il protocollo dei livelli ISO/OSI). Per raggiungere questo obiettivo, RMO descrive gli elementi della rete, le informazioni sulla connettività di rete e le politiche di controllo dell’accesso. RMO fornisce anche alcune regole SWRL in grado di calcolare la Matrice di Raggiungibilità. Oltre alle regole RMO e SWRL, esiste anche una serie di query SPARQL per affinare il calcolo della Matrice di Reachability.
  • L’analisi dei brevetti può fornire informazioni sulla progettazione ingegneristica e identificare potenziali violazioni per promuovere l’innovazione. Tuttavia, i designer non si occupano regolarmente di brevetti a causa della struttura intricata e delle terminologie legali utilizzate, specialmente nelle prime fasi di progettazione. Abbiamo sviluppato una soluzione basata sull’intelligenza artificiale per acquisire automaticamente e rapidamente la conoscenza dei brevetti da varie sezioni di brevetti e produrre visualizzazioni per facilitare la comprensione, comprese l’analisi delle citazioni e il confronto delle richieste. La soluzione si basa su tecniche di NLP e consente di estrarre automaticamente triplette Soggetto-Azione-Oggetto che rappresentano caratteristiche funzionali e di invenzione, sulla base delle quali viene costruito un diagramma semantico visivo per una rapida visione del contenuto del brevetto.
  • Identificazione dello scrittore in documenti antichi: Uno dei temi di ricerca più importanti nel campo della paleografia è l’identificazione dei diversi scribi che hanno partecipato al processo di scrittura di un libro medievale. Utilizzando gli strumenti paleografici tradizionali, un paleografo trascorre molto tempo a leggere, misurare e confrontare migliaia di lettere o segni grafici. Dato il crescente interesse scientifico che è stato osservato negli ultimi anni per l’uso delle tecniche informatiche applicate alla ricerca paleografica, l’obiettivo della linea di ricerca è quello di sviluppare strumenti di analisi automatica e un set di funzionalità, che consentano un’identificazione affidabile degli scribi che contribuito alla produzione di un determinato manoscritto.

Abbiamo tre attività principali per quanto riguarda le applicazioni di controllo

  • Analisi e progettazione di algoritmi di stima ibrida per affrontare i problemi di fusione dei sensori soprattutto in relazione alle applicazioni di localizzazione indoor/outdoor. Algoritmi innovativi, le cui prestazioni e stabilità sono rigorosamente provate e analizzate, vengono ispezionati per risolvere problemi di IMU/GPS/UWB e multilaterazione. L’approccio ibrido utilizzato consente di lavorare con sistemi di misura asincroni e sporadici fornendo regole di progettazione intuitive e limiti deterministici sugli errori di stima.
  • Determinazione di leggi robuste di controllo del movimento per robot mobili autonomi volanti (quadcopter) con particolare attenzione alla stima online di forze e momenti aerodinamici, disturbi sconosciuti e dinamiche generalmente non modellate.
  • Sviluppo di prototipi hardware e software per la creazione di framework IoT e sviluppo di firmware/driver per l’implementazione di sistemi di acquisizione basati su sensori di rete. Utilizzo dei dati acquisiti per costruire e mantenere un database di misure da utilizzare nelle applicazioni ML e AI per la previsione dei guasti, la manutenzione predittiva e i sistemi di diagnosi medica.

Infrastrutture

Il laboratorio si estende per una superfice di 225.00 metri quadrati ed ha la seguente attrezzatura:

  • DELL PowerEdge R750XA, NVIDIA Ampere A100, PCIe, 250W, 40GB Passive, Double Wide, Full Height GPU with Bracket
  • IBM POWER AI -AC922 S/N 78°4BA ,  16 CORE @ 3.3 GHZ , 2 NVIDIA TESLA V100 GPU WITH NVLINK, 32 GB DDR MEMORE, 3.84 TB DISK DRIVE.
  • 6 DELL PRECISION TOWER MOUNTING AN NVIDIA QUADRO RTX4000 8 GB 3 DP VIRTUAL LINK

Media gallery

Guarda l'immagine
STMLab
Guarda il video
STMLab
Guarda l'immagine
STMLab

Prodotti della ricerca e pubblicazioni

  1. A. S. Shahrebabaki, G. Salvi, T. Svendsen and S. M. SINISCALCHI, “Acoustic-to-Articulatory Mapping With Joint Optimization of Deep Speech Enhancement and Articulatory Inversion Models,” in IEEE/ACM Transactions on Audio, Speech, and Language Processing, vol. 30, pp. 135-147, 2022, doi: 10.1109/TASLP.2021.3133218.
  2. S.M. SINISCALCHI (2021). Vector-to-Vector Regression via Distributional Loss for Speech Enhancement. IEEE Signal Processing Letters, 28, pp. 254-258, 0.1109/LSP.2021.3050386
  3. J Qi, J Du, S. M. SINISCALCHI, X Ma, C.-H. Lee (2020). On mean absolute error for deep neural network based vector-to-vector regression. IEEE Signal Processing Letters, 27, pp. 1485-1489, doi: 10.1109/LSP.2020.3016837.
  4. J. Qi, J. Du, S. M. SINISCALCHI, X. Ma, and C.-H. Lee (2020). Analyzing Upper Bounds on Mean Absolute Errors for Deep Neural Network-Based Vector-to-Vector Regression. IEEE TRANSACTIONS on SIGNAL PROCESSING, vol. 68, pp. 3411-3422, doi: 10.1109/TSP.2020.2993164.
  5. I. Kukanov, S.M. SINISCALSHI, and et al. (2020). Maximal Figure-of-Merit Framework to Detect Multi-label Phonetic Features for Spoken Language Recognition,  IEEE/ACM TRANSACTIONS ON AUDIO SPEECH AND LANGUAGE PROCESSING, vol. 28, pp. 682-695, doi: 10.1109/TASLP.2020.2964953
  6. J. Qi, J. Du, S.M. SINISCALCHI, and C.-H. Lee, (2019). A Theory on Deep Neural Network based Vector-to-Vector Regression with an Illustration of Its Expressive Power in Speech Enhancement.  IEEE/ACM TRANSACTIONS ON AUDIO SPEECH AND LANGUAGE PROCESSING, vol. 27 (12), p. 1932-1943, doi: 10.1109/TASLP.2019.2935891
  7. R. Hussain, S.M. SINISCALCHI, and et al (2020). Ensemble Hierarchical Extreme Learning Machine for Speech Dereverberation. IEEE TRANSACTIONS ON COGNITIVE AND DEVELOPMENTAL SYSTEMS, vol. 12(4), pp. 744-758, 10.1109/TCDS.2019.2953620
  8. W. Li, N.F. Chen, S.M. SINISCALCHI, and C.-H. Lee, (2019). Improving Mispronunciation Detection of Mandarin Tones for Non-native Learners with Soft-target Tone Labels and BLSTM-based Deep Tone models.  IEEE/ACM TRANSACTIONS ON AUDIO SPEECH AND LANGUAGE PROCESSING, vol. 27 (12), pp. 2012-2024, doi:10.1109/TASLP.2019.2936755
  9. J. Lin, W. Li, Y Gao, Y. Xie, N.F. Chen, SINISCALCHI S.M., J. Zhang, C.H. Lee (2018). Improving Mandarin Tone Recognition Based on DNN by Combining Acoustic and Articulatory Features Using Extended Recognition Networks. Journal of Signal Processing Systems 90 (7), 1077-1087
  10. Wu, B., Li, K, Ge, F., Huang, Z., Yang, M., SINISCALCHI S. M., and Lee, C.-H. (2017). An End-to-End Deep Learning Approach to Simultaneous Speech Dereverberation and  Acoustic Modeling for Robust Speech Recognition. IEEE J-STSP, 2017, doi: 10.1109/JSTSP.2017.2756439
  11. Huang Z., SINISCALCHI S. M., and Lee C.-H. (2017). Hierarchical Bayesian Combination of Plug-in Maximum A Posteriori Decoders in Deep Neural Networks-based Speech Recognition and Speaker Adaptation. PATTERN RECOGNITION LETTERS, vol. 98, p. 1-7, ISSN: 0167-8655, doi: 10.1016/j.patrec.2017.08.001
  12. Huang Z., SINISCALCHI S. M., and Lee C.-H. (2017). Bayesian Unsupervised Batch and Online Speaker Adaptation of Activation Function Parameters in Deep Models for Automatic Speech Recognition. IEEE/ACM TRANS. ON AUDIO SPEECH AND LANGUAGE PROCESSING, vol. 25 (1); p. 64-75, doi: 10.1109/TASLP.2016.2621669
  13. Wu, B., Yang, M., Li, K., SINISCALCHI S.M. et al. (2017). A reverberation-time-aware DNN approach leveraging spatial information for microphone array dereverberation. EURASIP J. Adv. Signal Process. 2017, 81 (2017). https://doi.org/10.1186/s13634-017-0516-6
  14. SINISCALCHI S. M., and V. M. Salerno (2017). Adaptation to New Microphones using Artificial Neural Networks with Trainable Activation Functions. IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS, doi:10.1109/TNNLS.2016.2550532
  15. Z. Huang, SINISCALCHI S. M., and C.-H. Lee (2016). A Unified Approach to Transfer Learning of Deep Neural Networks with Applications to Speaker Adaptation in Automatic Speech Recognition. NEUROCOMPUTING, vol. 218; p. 448-459, doi:10.1016/j.neucom.2016.09.018
  16. Behravan H., Hautamaki V., SINISCALCHI S. M., Kinnunen T., and Lee C.-H. (2016). i-Vector Modeling of Speech Attributes for Automatic Foreign Accent Recognition. IEEE/ACM Transactions on Audio Speech and Language Processing, vol. 24 (1); p. 29-41, ISSN: 2329-9290, doi: 10.1109/TASLP.2015.2489558
  17. SINISCALCHI S. M., Svendsen T., and C.-H. Lee (2014). An Artificial Neural Network Approach to Automatic Speech Processing. NEUROCOMUTING, vol. 140; p. 326-338, ISSN: 0925-2312, doi: 10.1016/j.neucom.2014.03.005
  18. R. E. Barone, T. Giuffrè, SINISCALCHI S. M., Morgana M. A., and Tesoriere G. (2014). Architecture for parking management in smart cities. IET INTELLIGENT TRANSPORT SYSTEMS, vol. 8; p. 445-452, ISSN: 1751-956X, doi: 10.1049/iet-its.2013.0045
  19. Lee C.-H., and SINISCALCHI S. M. (2013). An Information-Extraction Approach to Speech Processing: Analysis, Detection, Verification, and Recognition. PROCEEDINGS OF THE IEEE, vol. 101; p. 1089-1115, ISSN: 0018-9219, doi: 10.1109/JPROC.2013.2238591
  20. SINISCALCHI S. M., Svendsen T., and Lee C.-H. (2013). A bottom-up modular search approach to large vocabulary continuous speech recognition. IEEE TRANSACTIONS ON AUDIO, SPEECH, AND LANGUAGE PROCESSING, vol. 21; p. 786-797, ISSN: 1558-7916, doi: 10.1109/TASL.2012.2234115
  21. SINISCALCHI S. M., Yu D., Deng L., and Lee C.-H. (2013). Speech recognition using long-span temporal patterns in a deep network model. IEEE SIGNAL PROCESSING LETTERS, vol. 20; p. 201-204, ISSN: 1070-9908, doi: 10.1109/LSP.2013.2237901
  22. SINISCALCHI S. M., Li J., and Lee C.-H. (2013). Hermitian Polynomial for Speaker Adaptation of Connectionist Speech Recognition Systems. IEEE TRANSACTIONS ON AUDIO, SPEECH, AND LANGUAGE PROCESSING, vol. 21; p. 2152-2161, ISSN: 1558-7916, doi: 10.1109/TASL.2013.2270370
  23. SINISCALCHI S. M., Li J., and Lee C-H. (2013). Model-based margin estimation for hidden Markov model learning and generalisation. IET SIGNAL PROCESSING, vol. 7; p. 704-709, ISSN: 1751-9675, doi: 10.1049/iet-spr.2013.0036
  24. SINISCALCHI S. M., Reed J., Svendsen T., and Lee C.-H. (2013). Universal attribute characterization of spoken languages for automatic spoken language recognition. COMPUTER SPEECH AND LANGUAGE, vol. 27; p. 209-227, ISSN: 0885-2308, doi: 10.1016/j.csl.2012.05.001
  25. SINISCALCHI S. M., Yu D., Deng L., and Lee C.-H. (2013). Exploiting Deep Neural Networks for Detection-Based Speech Recognition. NEUROCOMPUTING, vol. 106; p. 148-157, ISSN: 0925-2312, doi: 10.1016/j.neucom.2012.11.008
  26. SINISCALCHI S. M., Lyu D.-C., Svendsen T., Lee C.-H. (2012). Experiments on cross-language attribute detection and phone recognition with minimal target-specific training data. IEEE TRANSACTIONS ON AUDIO, SPEECH, AND LANGUAGE PROCESSING, vol. 20; p. 875-887, ISSN: 1558-7916, doi: 10.1109/TASL.2011.216761
  27. SINISCALCHI S. M. (2012). Combining Speech Attribute Detection and Penalized Logistic Regression for Phoneme Recognition. NEUROCOMPUTING, vol. 93; p. 10-18, ISSN: 0925-2312, doi: 10.1016/j.neucom.2012.02.037
  28. Birkenes O., Matsui T., Tanabe K., SINISCALCHI S. M., Myrvoll T.A., Johnsen M.H. (2010). Penalized logistic regression with HMM log-likelihood regressors for speech recognition. IEEE TRANSACTIONS ON AUDIO, SPEECH, AND LANGUAGE PROCESSING, vol. 18; p. 1440-1454, ISSN: 1558-7916, doi: 10.1109/TASL.2009.2035151
  29. SINISCALCHI S. M., Lee C.-H. (2009). A study on integrating acoustic-phonetic information into lattice rescoring for automatic speech recognition. SPEECH COMMUNICATION, vol. 51; p. 1139-1153, ISSN: 0167-6393, doi: 10.1016/j.specom.2009.05.004
  30. V. Conti, S.S. Ruffo, A. Merlo, M. Migliardi, S. Vitabile (2018). “A bio-inspired approach to attack graphs analysis”, proc. of 10th International Symposium on Cyberspace Safety and Security, CSS 2018, Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), Vol. 11161 LNCS, 2018, Pages 63-76.
  31. V. Conti, A. Ziggiotto, M. Migliardi, S. Vitabile, “Bio-inspired Security Analysis for IoT Scenarios”, International Journal of Embedded Systems, Vol. 13, No. 2, pp. 221-235, 2020.
  32. Militello, C., Rundo, L., Toia, P., Conti, V., Russo, G., Filorizzo, C., Maffei, E., Cademartiri, F., La Grutta, L., Midiri, M., Vitabile, S., “A semi-automatic approach for epicardial adipose tissue segmentation and quantification on cardiac CT scans”, Computers in Biology and Medicine, Vol. 114, November 2019, Article number 103424
  33. Orazio Gambino, Vincenzo Conti, Sergio Galdino, Cesare Fabio Valenti, and Wellington Pinheiro dos Santos, Editorial: Image Segmentation Techniques for Healthcare Systems, Journal of Healthcare Engineering, Volume 2019, Article ID 2723419, 2 pages, DOI: 10.1155/2019/2723419
  34. V. Conti, S. S. Ruffo, S. Vitabile, L. Barolli, “BIAM: A New Bio-Inspired Analysis Methodology for Digital Ecosystems based on a Scale-free Architecture”, Soft Computing, Vol. 23, issue 4, 2019 (First Online: 14 September 2017), pp. 1133-1150 ISSN: 1432-7643 (Print) 1433-7479 (Online), Springer Editor, DOI: 10.1007/s00500-017-2832-z
  35. Vincenzo Conti, Leonardo Rundo, Giuseppe Dario Billeci, Carmelo Militello and Salvatore Vitabile, “Energy Efficiency Evaluation of Dynamic Partial Reconfiguration in Field Programmable Gate Arrays: An Experimental Case Study”, Energies, 2018, 11(4), 739, doi:10.3390/en11040739
  36. A. Alongi, V. Conti, G. Vitello, S. Vitabile, “An Empirical Set of Metrics for Embedded Systems Testing”, IEEE Design & Test, Volume 35, Issue 5, October 2018, Article number 8240747, pp. 45-53, ISSN: 2168-2356, DOI: 10.1109/MDAT.2017.2787678
  37. C. Militello, L. Rundo, V. Conti, L. Minafra, F. P. Cammarata, S. Vitabile, G. Mauri, M. C. Gilardi, N. Porcino, “Area-Based Cell Colony Surviving Fraction Evaluation: A Novel Fully Automatic Approach Using General-Purpose Acquisition Hardware”, Computers in Biology and Medicine, 2017, Vol. 89, pp. 454-465, ISSN: 0010-4825, Elsevier Editor, DOI: https://doi.org/10.1016/j.compbiomed.2017.08.005
  38. G. Vitello, A. Alongi, V. Conti, S. Vitabile, “A Bio-Inspired Cognitive Agent for Autonomous Urban Vehicles Routing Optimization”, IEEE Transactions on Cognitive and Developmental Systems, (first online publication on 12 September 2016), Vol. 9, Issue 1, March 2017, pp. 5-15, ISSN 2379-8920, DOI: 10.1109/TCDS.2016.2608500.
  39. G. Vitello, V. Conti, S. Vitabile, and F. Sorbello, “Fingerprint Quality Evaluation in a Novel Embedded Authentication System for Mobile Users”, Mobile Information Systems, Vol. 2015 (2015), 13 pages, Hindawi Publishing Corporation, Article ID 401975, DOI: http://dx.doi.org/10.1155/2015/401975
  40. V. Conti, C. Militello, F. Sorbello and S. Vitabile, “Biometric Sensors Rapid Prototyping on FPGA”, The Knowledge Engineering Review, 2015, Vol. 30, N° 2, pp. 201-219, ISSN: 0269-8889, EISSN: 1469-8005, DOI: 10.1017/S0269888914000307
  41. C. Militello, V. Conti, F. Sorbello, and S. Vitabile, “A Fast Fusion Technique for Fingerprint and Iris Spatial Descriptors in Multimodal Biometric Systems”, International Journal of Computer Systems Science and Engineering (IJCSSE), Vol. 29, n° 3, pp. 205-217, ISSN 0267-6192, © 2014 CRL Publishing Ltd.
  42. S. Vitabile, V. Conti, M. Collotta, G. Scatà, S. Andolina, A. Gentile, F. Sorbello, “A Real-Time Network Architecture for Biometric Data Delivery in Ambient Intelligent”, Journal of Ambient Intelligence and Humanized Computing (AIHC), © Springer-Verlag Editor, June 2013, Vol. 4, Issue 3, pp. 303-321, Print ISSN 1868-5137, Online ISSN 1868-5145, DOI: 10.1007/s12652-011-0104-9
  43. C. Militello, V. Conti, S. Vitabile and F. Sorbello, “Embedded Access Points for Trusted Data and Resources Access in HPC Systems”, The Journal of Supercomputing – An international journal of High-Performance Computer Design, Analysis and Use, Springer Netherlands Publisher, 2011, ISSN 0920-8542, Vol. 55, N° 1, pp. 4 – 27, (ISSN Online 1573-0484), DOI:10.1007/s11227-009-0379-1
  44. S. Vitabile, V. Conti, B. Lanza, D. Cusumano, and F. Sorbello, “Topological Information, Flux Balance Analysis, and Extreme Pathways Extraction for Metabolic Networks Behaviour Investigation”, Frontiers in Artificial Intelligence and Applications, IOS Press Editor, Vol. 234: Neural Nets WIRN11, pp. 66-73, 2011, ISSN 0922-6389, ISBN 978-1-60750-971-4, DOI: 10.3233/978-1-60750-972-1-66
  45. V. Conti, C. Militello, F. Sorbello, S. Vitabile. “A Frequency-based Approach for Features Fusion in Fingerprint and Iris Multimodal Biometric Identification Systems”, IEEE Transactions on Systems, Man, and Cybernetics (SMC) Part C: Applications & Reviews, Vol, 40 issue 4, pp. 384-395. 2010, ISSN 1094-6977, DOI:10.1109/TSMCC.2010.2045374
  46. C. Militello, V. Conti, S. Vitabile, F. Sorbello, “An Embedded Iris Recognizer for Portable and Mobile Devices”, Special Issue on “Frontiers in Complex, Intelligent and Software Intensive Systems” of International Journal of Computer Systems Science & Engineering, Vol. 25, n° 2, pp. 119-131, ISSN 0267-6192, © 2010 CRL Publishing Ltd., ISSN: 0267-6192
  47. V. Conti, C. Militello, S. Vitabile and F. Sorbello, “A Multimodal Technique for an Embedded Fingerprint Recognizer in Mobile Payment Systems”, International Journal on Mobile Information Systems – Vol. 5, No. 2, 2009, pp. 105-124, IOS Press Ed., ISSN: 1574-017X, DOI:10.3233/MIS-2009-0076
  48. S. Vitabile, V. Conti, C. Militello, F. Sorbello, “An Extended JADE-S Based Framework for Developing Secure Multi-Agent Systems”, Computer Standard and Interfaces Journal, Elsevier Editor, Vol. 31, issue 5, 2009, pp. 913-930, ISSN: 0920-5489, DOI:10.1016/j.csi.2008.03.017
  49. S. Vitabile, V. Conti, G. Lentini, F., Sorbello, “An Intelligent Sensor for Fingerprint Recognition”, Proc. of International Conference on Embedded and Ubiquitous Computing (EUC-05), Lecture Note in Computer Science (LNCS), Springer-Verlag, vol. 3824, pp. 27-36, ISBN 3-540-30807-5, 2005, DOI: 10.1007/11596356_6 (conference su scopus)
  50. G. Pilato S. Vitabile, V. Conti, G. Vassallo, F. Sorbello (2003). “A Concurrent Neural Classifier for HTML Documents Retrieval“, B. Apolloni, M. Marinaro, R. Tagliaferri (Eds.): Neural Nets – WIRN 2003, Lecture Notes in Computer Science, vol. 2859, pp. 210-217, Springer-Verlag, DOI: 10.1007/978-3-540-45216-4_24
  51. Vincenzo Conti, Leonardo Rundo, Carmelo Militello, Giancarlo Mauri, and Salvatore Vitabile, “Resource-Efficient Hardware Implementation of a Neural-based Node for Automatic Fingerprint Classification”, Journal of Wireless Mobile Networks, Ubiquitous Computing, and Dependable Applications (JoWUA), Vol. 8, N. 4, pp. 19-36, December 2017, DOI: 10.22667/JOWUA.2017.12.31.019
  52. V. Conti, S. Vitabile, “Design Exploration of AES Accelerators on FPGAs and GPUs”, Journal on Telecommunications and Information Technology, 2017, issue 1, pp. 28-38, ISSN 1509-4553, National Institute of Telecommunications Publisher
  53. G. Vitello, V. Conti, S. Vitabile, and F. Sorbello, “An Heuristic Approach for the Training Dataset Selection in Fingerprint Classification Tasks”, in Advances in Neural Networks: Computational and Theoretical Issues, proc. of WIRN 2014, Editors: S. Bassis, A. Esposito, F.C. Morabito, pp. 217-227, Series: Smart Innovation, Systems and Technologies, Springer International Publishing, Vol. 37, 2015, ISSN: 2190-3018, DOI: 10.1007/978-3-319-18164-6
  54. V. Conti, M. Collotta, G. Pau, and S. Vitabile, “Usability Analysis of a Novel Biometric Authentication Approach for Android-based Mobile Devices”, Journal on Telecomunications and Information Technology, 2014, vol. 2014, issue 4, pp. 34-43, ISSN 1509-4553, Publisher: National Institute of Telecommunications
  55. M. Collotta, V. Conti, G. Scatà, G. Pau, S. Vitabile, “Smart Wireless Sensor Networks and Biometric Authentication for Real Time Traffic Light Junctions Management“, International Journal of Intelligent Information and Database Systems, Copyright © 2013 Inderscience Enterprises Ltd., ISSN online: 1751-5866, ISSN print: 1751-5858, Vol. 7, No. 5, 2013, pp. 454-478, DOI 10.1504/IJIIDS.2013.056392
  56. V. Conti, S. Vitabile, L. Agnello, F. Sorbello, “Fingerprint and Iris based Authentication in Inter-cooperative Emerging e-Infrastructures”, Studies in Computational Intelligence (Internet of things and inter-cooperative computational technologies for collective intelligence), ISBN 978-3-642-34951-5, ISSN 1860-949X, Vol. 460, 2013, pp. 433-462, Springer Berlin Heidelberg Editor
  57. M. Collotta, V. Conti, G. Pau, G. Scatà, S. Vitabile, “Fuzzy Techniques for Access and Data Management in Home Automation Environments”, Journal of Mobile Multimedia, Vol. 8, No. 3 (2012), pp. 181-203, © Rinton Press (Princeton, New Jersey) Publisher, ISSN: 1550-4646
  58. S. Vitabile, V. Conti, B. Lanza, D. Cusumano, and F. Sorbello, “Metabolic Networks Robustness: Theory, Simulations and Results”, Journal of Interconnection Networks (JOIN), Vol. 12, Issue No. 3, pp 221-240, © World Scientific Publishing Company, 2011, ISSN: 0219-2659 (print), 1793-6713 (online), DOI: 10.1142/S0219265911002964
  59. G. Pilato, S. Vitabile, G. Vassallo, V. Conti, F. Sorbello, “Web Directories as a Knowledge Based to Build a Multi-Agent System for Information Sharing”, An International Journal on Web Intelligence and Agent Systems, 2004, Vol. 2, No. 4, pp. 265-277, ISSN: 1570-1263 (print) – 1875-9289 (Online), IOS Press (IF 0.865)
  60. Pingfei Jiang, Mark Atherton, Salvatore Sorce, David Harrison & Alessio Malizia (2018) “Design for invention: a framework for identifying emerging design–prior art conflict”, Journal of Engineering Design, 29:10, 596-615, DOI: 10.1080/09544828.2018.1520204
  61. F. Alonge, F.D’Ippolito, G. Garraffa. A. Sferlazza, “A hybrid observer for localization of mobile vehicles with asynchronous measurements”, Asian Journal of Control, 2019, Vol.21, No.4, pp. 1506-1521, pub. Wiley.
  62. G. Garraffa, A. Sferlazza, F. D’Ipplito, F. Alonge, “Localization based on Parallel Robots Kinematics As an alternative to trilateration”, IEEE Transactions on Industrial Electronics, 2021, Vol. 69, No. 1, pp. 999-1010, IEEE.
  63. F. Alonge, F. D’Ippolito, A. Fagiolini, G. Garraffa, A. Sferlazza, “Trajectory robust control of autonomous quadcopters based on model decoupling and disturbances estimation”, International Journal of Advanced Robotic Systems, 2021, Vol. 18, No. 2, SAGE Publications UK, London, England.
  64. Cilia N.D., D’Alessandro T., De Stefano C., Fontanella F., Molinara M. ( 2021). From online handwriting to synthetic images for Alzheimer’s disease detection using a deep transfer learning approach, IEEE Journal of Biomedical and Health Informatics, doi: 10.1109/JBHI.2021.3101982.
  65. Cilia N.D., De Stefano C., Fontanella F, Scotto di Freca A. (2021). Feature selection as a tool to support the diagnosis of cognitive impairments through handwriting analysis, IEEE Access 9: 78226-78240.
  66. Cilia N.D., Tiziana D’Alessandro, De Stefano C., Fontanella F. (2021). Deep transfer learning algorithms applied to synthetic drawing images as a tool for supporting Alzheimer’s disease prediction, Machine Vision and Application, in press.
  67. Cilia N.D., De Stefano C., Fontanella F., Marrocco C., Molinara M., Scotto di Freca A (2021) Deep Transfer Learningfor Alzheimer’s disease detection. IEEE Xplore, 25th International Conference on Pattern Recognition (ICPR), pp. 9904-9911, doi: 10.1109/ICPR48806.2021.9412603.
  68. Cilia N.D., De Stefano C., Fontanella F., Marrocco C., Molinara M., Scotto di Freca A. (2020). An Experimental Comparison between Deep Learning and Classical Machine Learning Approaches for Writer Identification in Medieval Documents. J. Imaging 6(9): 89.
  69.  Cilia N.D., De Stefano C., Fontanella F., Molinara M., Scotto di Freca A. (2020), What is the minimum training data size to reliably identify writers in medieval manuscripts? Pattern Recognition Letters, 129, pp. 198-204.
  70.  Cilia N.D., De Stefano C., Fontanella F., Marrocco M., Molinara M., Scotto di Freca A. (2020). An end-to-end deep learning system for medieval writer identification, Pattern Recognition Letters, 129, pp. 137-143.
  71.  Cilia N.D., De Stefano C., Fontanella F., Scotto di Freca A. (2019). An Experimental Comparison of Feature-Selection and Classification Methods for Microarray Datasets, Information, 10(3): 109.
  72.  Scarpato N. Cilia N.D, Romano M. (2019). Reachability Matrix Ontology: A Cybersecurity Ontology, Applied Artificial Intelligence, 33(7), pp. 643-655.
  73. Cilia N.D., De Stefano C., Fontanella F., Scotto di Freca A. (2019). A ranking-based feature selection approach for handwritten character recognition. Pattern Recognition Letters, 121, pp. 77-86.

Servizi

Forniamo supporto ai settori della ricerca pubblica e privata nel campo dell’intelligenza artificiale, dell’apprendimento automatico, del controllo automatico, dell’elaborazione del parlato, ecc. Recentemente abbiamo collaborato con:

  1. Boehringer Ingelheim Pharmaceuticals Inc. (2021) – Metodi di apprendimento approfondito per il rilevamento automatico delle particelle e il prelievo da immagini di microscopia elettronica criogenica
  2. Boehringer Ingelheim Pharmaceuticals Inc. (2020) – Valutazione della complessità dei polimorfi in silico basata sull’apprendimento automatico
  3. STMicroelectronics (2017) – Machine Learning per l’analisi della scena acustica

 

Contatti e Dove siamo

STMLab si trova al secondo piano del Palazzo della Piattaforma Kore, Polo scientifico e tecnologico di Santa Panasia, 94100 Enna (EN), Italia

Quick nav

ATENEO

LINK UTILI

Contatti

Università degli Studi di Enna “Kore”
Cittadella Universitaria – 94100 Enna

protocollo@unikore.it 
protocollo@pec.unikore.it

I nostri uffici sono aperti con orario continuato:
Da lunedì a venerdì: 8:30 – 18:00
Sabato: 8:30 – 13:00

Sedi e mappa

Seguici

Seguici sui canali ufficiali dell’Università, rimarrai aggiornato in tempo reale sul mondo Kore.

Università degli Studi di Enna “Kore” – Cittadella Universitaria – 94100 Enna (EN)
C.F.: 01094410865- PARTITA IVA COMUNITARIA: IT01094410865 – P.E.C.: protocollo@pec.unikore.it
Fatturazione elettronica – Codice Destinatario: KRRH6B9
Coordinate bancarie – IBAN IT97W0503616800CC0551777711 – SWIFT/BIC POPRIT 31055
Pagamenti on line

Made with by SYROOP