Muhammad Moosa
Om
Muhammad Moosa er forsker ved NTNU, hvor han bidrar til den nasjonale PheNo-infrastrukturen med fokus på KI-drevet plantefenotyping. Arbeidet hans innebærer å utvikle og implementere maskinlærings- og datavisjonsmodeller for høyoppløselige bildedata, inkludert drone, LiDAR og multispektrale kilder, for å akselerere planteforedling og klimaforskning. Ved siden av forskning har han jobbet som backend-utvikler, med spesialisering i Python, FastAPI, REST API-er og Docker-baserte utrullinger, samt erfaring innen autentisering, containerisering og skalerbar databaseutforming.
Han har vært medforfatter av publikasjoner i Computers in Biology and Medicine (Elsevier, IF 7.7) og presentert på internasjonale konferanser som IPTA og AIAI, med fokus på selv-supervisert læring, deteksjon og sporing. Hans tekniske ekspertise omfatter objektdeteksjon (YOLO-X, EfficientDet, YOLO-NAS), objektsporing (SORT, ByteTrack, DeepSORT) og backend-utvikling.
Bakgrunn
-
BS (Software Engineering) – Sukkur IBA University, Pakistan (2017–2021)
-
MS (Applied Computer Science) – Norges teknisk-naturvitenskapelige universitet (NTNU), Norge (2022–2024)
Forskningsinteresser
-
Datavisjon (objektdeteksjon, sporing, re-identifikasjon)
-
KI-drevet plantefenotyping og presisjonslandbruk
-
Dyp læring, selv-supervisert læring, modelloptimalisering
Undervisning
-
Kunstig intelligens (PROG2051) – Studentassistent (Vår 2023 & 2024)
-
Databasesystemer (IDATG2204) – Studentassistent (Vår 2023)
-
Back-end webutvikling (IDG2003) – Studentassistent (Høst 2023)
-
Programmering og numerikk (TDT4127) – Studentassistent (Høst 2023)
Forskning
Dette prosjektet har som mål å bygge en nasjonal infrastruktur for plantefenotyping. Plantefenotyping innebærer å beskrive og karakterisere komplekse plantetrekk ved hjelp av ikke-destruktive, bildebaserte analyseverktøy. Fenotyping er i dag en stor flaskehals innen plantevitenskap, agronomi og planteforedling.
PheNo-infrastrukturen adresserer flere prioriteringer i Strategi for nasjonal bioressursinfrastruktur i Norge, inkludert klimatilpasning, behovene i det grønne skiftet og integrering av ny teknologi, digitalisering, automatisering og robotisering. Ved å tilby toppmoderne og unike fasiliteter for plantefenotyping til støtte for forskning og utdanning i Norge, vil PheNo muliggjøre raskere utvikling av nye plantesorter og bærekraftige produksjonssystemer tilpasset det skiftende norske klimaet, basert på innovasjoner innen genetikk, fenomikk samt integrering av robotikk og datavitenskap.
Norge vil nå slutte seg til flere europeiske land som har etablert nasjonale fenotypingsplattformer, og PheNo vil bli en norsk node i det europeiske strategiske forumet for forskningsinfrastruktur (ESFRI) sitt veikartprosjekt EMPHASIS (European Infrastructure for multi-scale Plant Phenomics and Simulation for food security in a changing climate). Dette vil gi muligheter for fenotyping under de unike nordiske vekstforholdene ved høye breddegrader.
Publikasjoner
2024
-
Moosa, Muhammad;
Yamin, Muhammad Mudassar;
Hashmi, Ehtesham;
Beghdadi, Azeddine Boutkhil;
Imran, Ali Shariq;
Cheikh, Faouzi Alaya.
(2024)
SMT: Self-supervised Approach for Multiple Animal Detection and Tracking.
IFIP Advances in Information and Communication Technology
Vitenskapelig artikkel
2023
-
Ali, Subhan;
Akhlaq, Filza;
Imran, Ali Shariq;
Kastrati, Zenun;
Daudpota, Sher Muhammad;
Moosa, Muhammad.
(2023)
The enlightening role of explainable artificial intelligence in medical & healthcare domains: A systematic literature review.
Computers in Biology and Medicine
Vitenskapelig oversiktsartikkel/review
Tidsskriftspublikasjoner
-
Moosa, Muhammad;
Yamin, Muhammad Mudassar;
Hashmi, Ehtesham;
Beghdadi, Azeddine Boutkhil;
Imran, Ali Shariq;
Cheikh, Faouzi Alaya.
(2024)
SMT: Self-supervised Approach for Multiple Animal Detection and Tracking.
IFIP Advances in Information and Communication Technology
Vitenskapelig artikkel
-
Ali, Subhan;
Akhlaq, Filza;
Imran, Ali Shariq;
Kastrati, Zenun;
Daudpota, Sher Muhammad;
Moosa, Muhammad.
(2023)
The enlightening role of explainable artificial intelligence in medical & healthcare domains: A systematic literature review.
Computers in Biology and Medicine
Vitenskapelig oversiktsartikkel/review