Computervision für autonomes Fahren Schulung

Diese Live-Schulung mit Dozenten (online oder vor Ort) richtet sich an fortgeschrittene Robotik-Ingenieure und KI-Forscher, die anspruchsvolle Pfadplanungsalgorithmen implementieren möchten, um die Leistung autonomer Fahrzeuge zu verbessern.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Die theoretischen Grundlagen fortschrittlicher Pfadplanungsalgorithmen zu verstehen.
• Algorithmen wie RRT*, A* und D* für die Echtzeitnavigation zu implementieren.
• Die Pfadplanung zur Hindernisvermeidung und in dynamischen Umgebungen zu optimieren.
• Pfadplanungsalgorithmen zur Verbesserung der Genauigkeit in Sensordaten zu integrieren.
• Die Leistung verschiedener Algorithmen in praktischen Szenarien zu bewerten.

Dieses von einem Trainer geleitete Live-Training in Schweiz (online oder vor Ort) richtet sich an fortgeschrittene Datenwissenschaftler, KI-Spezialisten und Auto-KI-Entwickler, die Modelle für autonome Fahrzeuganwendungen erstellen, trainieren und optimieren möchten.

Am Ende dieses Trainings werden die Teilnehmer in der Lage sein:

• Grundlagen von KI und Tiefenlernen im Kontext autonomer Fahrzeuge zu verstehen.
• Computer-Vision-Techniken für Echtzeit-Objekterkennung und Fahrbahnerkennung umzusetzen.
• Stärkungslernen zur Entscheidungsfindung in Selbstfahrsystemen zu nutzen.
• Sensorenfusionstechniken zur besseren Wahrnehmung und Navigation zu integrieren.
• Tiefenlern-Modelle zum Vorhersagen und Analysieren von Fahrzeugszenarien aufzubauen.

Diese instructor-geführte, Live-Schulung (online oder vor Ort) richtet sich an erfahrene Sicherheitsingenieure und Fachleute für Fahrzeugsicherheit, die umfassende Sicherheitsstrategien für autonome Fahrzeuge entwickeln möchten, einschließlich Gefahrenanalyse, funktionaler Sicherheitsbewertungen und die Einhaltung internationaler Standards.

Am Ende dieser Schulung sind die Teilnehmer in der Lage:

• Sicherheitsrisiken, die mit autonomen Fahrsystemen verbunden sind, zu identifizieren und zu bewerten.
• Gefahrenanalysen und Risikobewertungen unter Verwendung von Industriestandards durchzuführen.
• Sicherheitsvalidierungs- und -verifizierungsmethoden für AV-Systeme zu implementieren.
• Funktionale Sicherheitsstandards wie ISO 26262 und SOTIF anzuwenden.
• Risikominderungsstrategien für AV-Sicherheitsprobleme zu entwickeln.

Dieses von einem Trainer durchgeführte, live-Training in Schweiz (online oder vor Ort) richtet sich an Einsteiger im Bereich der Polizeiarbeit, die den Übergang vom manuellen Gesichtszeichnen zur Nutzung von KI-Tools für das Entwicklung von Gesichtserkennungssystemen wünschen.

Am Ende des Trainings werden die Teilnehmer in der Lage sein:

• Grundlagen der Künstlichen Intelligenz und Maschinelles Lernen zu verstehen.
• Die Grundlagen der digitalen Bildverarbeitung und deren Anwendung in der Gesichtserkennung zu erlernen.
• Fähigkeiten zur Nutzung von KI-Tools und Frameworks zur Erstellung von Gesichtserkennungsmodellen zu entwickeln.
• Praxiserfahrungen in der Entwicklung, Ausbildung und Testung von Gesichtserkennungssystemen zu sammeln.
• Ethische Überlegungen und Best Practices bei der Nutzung von Gesichtserkennungs-Technologien zu verstehen.

Fiji ist ein Open-Source-Bildverarbeitungspaket, das ImageJ (ein Bildverarbeitungsprogramm für wissenschaftliche mehrdimensionale Bilder) und eine Reihe von Plugins für die wissenschaftliche Bildanalyse bündelt.

In dieser von einem Kursleiter geleiteten Live-Schulung lernen die Teilnehmer, wie sie die Fiji-Distribution und das ihr zugrunde liegende Programm ImageJ verwenden, um eine Bildanalyseanwendung zu erstellen.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• die fortgeschrittenen Programmierfunktionen und Softwarekomponenten von Fiji zu nutzen, um ImageJ zu erweitern
• große 3D-Bilder aus sich überlappenden Kacheln zusammenzusetzen
• eine Fiji-Installation beim Start mit Hilfe des integrierten Update-Systems automatisch zu aktualisieren
• Wählen Sie aus einer großen Auswahl an Skriptsprachen, um eigene Bildanalyselösungen zu erstellen
• Nutzung der leistungsstarken Bibliotheken von Fiji, wie z. B. ImgLib, für große Biobilddatensätze
• Ihre Anwendung einsetzen und mit anderen Wissenschaftlern an ähnlichen Projekten zusammenarbeiten

Format des Kurses

• Interaktive Vorlesung und Diskussion.
• Viele Übungen und Praxis.
• Praktische Umsetzung in einer Live-Laborumgebung.

Optionen zur Kursanpassung

• Wenn Sie eine maßgeschneiderte Schulung für diesen Kurs wünschen, nehmen Sie bitte Kontakt mit uns auf, um dies zu vereinbaren.

Dieser von einem Lehrer geleitete Live-Trainingskurs in Schweiz (online oder vor Ort) richtet sich an Anfänger- bis Mittelstufe-Forscher und Labormitarbeiter, die Bilder zu histologischen Geweben, Blutzellen, Algen und anderen biologischen Proben verarbeiten und analysieren möchten.

Am Ende dieses Trainings werden die Teilnehmer in der Lage sein:

• Die Fiji Oberfläche zu navigieren und Funktionen von ImageJ zu nutzen.
• Wissenschaftliche Bilder vorzubereiten und zu verbessern, um eine bessere Analyse zu ermöglichen.
• Bilddaten quantitativ zu analysieren, einschließlich Zellzählung und Flächenmessung.
• Wiederkehrende Aufgaben mit Makros und Plugins automatisieren.
• Workflows an die spezifischen Anforderungen der Bildanalyse in der biologischen Forschung anzupassen.

Diese live durch einen Dozenten geführte Schulung in Schweiz (online oder vor Ort) richtet sich an erfahrene Spezialisten für Sensorfusion und KI-Ingenieure, die Algorithmen zur Multi-Sensor-Fusion entwickeln und die Echtzeitnavigation in autonomen Systemen optimieren möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Die Grundlagen und Herausforderungen der Multi-Sensor-Datenfusion zu verstehen.
• Sensorfusionsalgorithmen für die Echtzeit-Autonomnavigation zu implementieren.
• Daten von LiDAR, Kameras und RADAR zur Verbesserung der Wahrnehmung zu integrieren.
• Die Leistung des Fusionssystems unter verschiedenen Bedingungen zu analysieren und zu bewerten.
• Praktische Lösungen zur Reduzierung von Sensorauschen und zur Datenausrichtung zu entwickeln.

OpenCV (Open Source Computer Vision Library: http://opencv.org) ist eine Open-Source BSD-lizenzierte Bibliothek, die mehrere hundert Computer-Vision-Algorithmen enthält.

Zielgruppe

Dieser Kurs richtet sich an Ingenieure und Architekten, die OpenCV für Computer-Vision-Projekte nutzen möchten

Diese von einem Trainer geleitete Live-Schulung in Schweiz (online oder vor Ort) richtet sich an Softwareingenieure, die in Python mit OpenCV 4 für Deep Learning programmieren möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Bilder und Videos mit OpenCV 4 betrachten, laden und klassifizieren.
• Deep Learning in OpenCV 4 mit TensorFlow und Keras zu implementieren.
• Deep-Learning-Modelle auszuführen und aussagekräftige Berichte aus Bildern und Videos zu erstellen.

OpenFace ist eine auf Python und Torch basierende Open-Source-Echtzeit-Gesichtserkennungssoftware, die auf der FaceNet-Forschung von Google beruht.

In dieser von einem Trainer geleiteten Live-Schulung lernen die Teilnehmer, wie sie die Komponenten von OpenFace verwenden, um eine Beispielanwendung für die Gesichtserkennung zu erstellen und einzusetzen.

Am Ende dieses Trainings werden die Teilnehmer in der Lage sein:

• mit den OpenFace-Komponenten, einschließlich dlib, OpenVC, Torch und nn4, zu arbeiten, um Gesichtserkennung, -ausrichtung und -transformation zu implementieren
• OpenFace auf reale Anwendungen wie Überwachung, Identitätsüberprüfung, virtuelle Realität, Spiele, Identifizierung von Stammkunden usw. anzuwenden.

Zielgruppe

• Entwickler
• Datenwissenschaftler

Format des Kurses

• Teilweise Vorlesung, teilweise Diskussion, Übungen und intensive praktische Anwendung

Pattern Matching ist eine Technik zur Lokalisierung bestimmter Muster in einem Bild. Sie kann verwendet werden, um das Vorhandensein bestimmter Merkmale in einem aufgenommenen Bild zu bestimmen, z. B. das erwartete Etikett auf einem fehlerhaften Produkt in einer Fertigungsstraße oder die bestimmten Abmessungen eines Bauteils. Es unterscheidet sich von "Pattern Recognition" (das allgemeine Muster auf der Grundlage größerer Sammlungen verwandter Muster erkennt) dadurch, dass es spezifisch vorgibt, wonach wir suchen, und uns dann sagt, ob das erwartete Muster vorhanden ist oder nicht.

Format des Kurses

• Dieser Kurs führt in die Ansätze, Technologien und Algorithmen ein, die im Bereich des Musterabgleichs verwendet werden, wie er für Machine Vision gilt.

Diese Live-Schulung mit Trainer führt in die Software, die Hardware und den schrittweisen Prozess ein, der erforderlich ist, um ein Gesichtserkennungssystem von Grund auf aufzubauen. Gesichtserkennung ist auch bekannt als Face Recognition.

Die in diesem Kurs verwendete Hardware umfasst einen Rasberry Pi, ein Kameramodul, Servos (optional), etc. Die Teilnehmer sind für die Beschaffung dieser Komponenten selbst verantwortlich. Die verwendete Software umfasst OpenCV, Linux, Python, etc.

Am Ende dieses Kurses werden die Teilnehmer in der Lage sein:

• Linux, OpenCV und andere Softwareprogramme und Bibliotheken auf einem Rasberry Pi zu installieren.
• OpenCV für die Erfassung und Erkennung von Gesichtsbildern zu konfigurieren.
• die verschiedenen Optionen für die Verpackung eines Rasberry Pi Systems für den Einsatz in realen Umgebungen zu verstehen.
• Anpassung des Systems für eine Vielzahl von Anwendungsfällen, einschließlich Überwachung, Identitätsüberprüfung, etc.

Format des Kurses

• Teilweise Vorlesung, teilweise Diskussion, Übungen und umfangreiche praktische Übungen

Hinweis

• Andere Hardware- und Softwareoptionen sind: Arduino, OpenFace, Windows, usw. Wenn Sie eine dieser Optionen nutzen möchten, kontaktieren Sie uns bitte, um dies zu arrangieren.

Dieser von einem Trainer geleitete Live-Kurs in Schweiz (online oder vor Ort) richtet sich an fortgeschrittene Fachleute, die Vision Builder AI zur Gestaltung, Implementierung und Optimierung automatisierter Inspektionsysteme für SMT-Prozesse (Surface-Mount Technology) einsetzen möchten.

Am Ende des Kurses werden die Teilnehmer in der Lage sein:

• Automatische Inspektionen mit Vision Builder AI einzurichten und zu konfigurieren.
• Hochwertige Bilder für die Analyse aufzuzeichnen und vorzubereiten.
• Logikbasierte Entscheidungen zur Defektenerkennung und Prozessvalidierung umzusetzen.
• Inspektionsberichte zu erstellen und das Systemleistung zu optimieren.