Számítógépes Látás Autonom Járóbeteghajtásra Képzés

Ez az Magyarország (online vagy helyszíni) képzés a haladó szintű robotikai mérnökök és az AI kutatók számára készült, akik kifinomult útvonaltervezési algoritmusokat szeretnének implementálni az autonóm járművek teljesítményének javítása érdekében.

A képzés végére a résztvevők képesek lesznek:

• Megérteni a haladó útvonaltervezési algoritmusok elméleti alapjait.
• Implementálni olyan algoritmusokat, mint például az RRT*, A* és D* a valós idejű navigációhoz.
• Optimalizálni az útvonaltervezést az akadályok elkerülése és a dinamikus környezetek érdekében.
• Integrálni az útvonaltervezési algoritmusokat szenzoradatokkal a pontosság növelése érdekében.
• Értékelni a különböző algoritmusok teljesítményét a gyakorlati alkalmazásokban.

Ez az oktatóvezetésű, élő képzés (online vagy helyszínen) olyan előrehaladott szintű adattudósoknak, meses AI szakembereknek és autonóm járművekhez specializálódott AI fejlesztőknek szól, akik szeretnének építeni, kiaknázni és optimalizálni AI modelleket autonóm vezérlésű alkalmazásokhoz.

Ez a képzés végén a résztvevők képesek lesznek:

• Megérteni az AI és a mélytanulás alapjaikat az autonóm járművek kontextusában.
• Valós idejű objektumfelismerés és sávkövetésre alkalmas számítógépes látási technikákat valósítani.
• Erősítéstanulást használni az önállóan vezérlő rendszerek döntéshozatali folyamatában.
• Érzékelési technikákat integrálni a jobb észlelés és navigáció érdekében.
• Mélytanulási modelleket építeni a vezetési helyzetek előrejelzéséhez és elemzéséhez.

Ez a Magyarország (online vagy helyszíni) oktató vezetésű, élő képzés a haladó szintű biztonsági mérnökök és az autonóm járművek biztonsági szakemberei számára készült, akik átfogó biztonsági stratégiákat szeretnének kidolgozni az autonóm járművek számára, beleértve a veszélyelemzést, a funkcionális biztonsági értékeléseket és a nemzetközi szabványoknak való megfelelést.

A képzés végén a résztvevők képesek lesznek:

• Azonosítani és felmérni az autonóm vezetéshez kapcsolódó biztonsági kockázatokat.
• Veszélyelemzést és kockázatértékelést végezni az iparági szabványoknak megfelelően.
• Megvalósítani az AV rendszerek biztonsági validálását és ellenőrzését.
• Alkalmazni a funkcionális biztonsági szabványokat, mint például az ISO 26262 és a SOTIF.
• Kockázatcsökkentési stratégiákat kidolgozni az AV biztonsági kihívásokra.

Ez oktatóvezetett, élő képzés Magyarország (online vagy helyszínen) a kezdő szintű rendőrségi személyzet számára szól, akik át akarnak lépni a kézi arcrajzolástól az AI eszközök használatára az arcfelismerő rendszerek fejlesztésében.

A képzés végére a résztvevők képesek lesznek:

• Megértik az Artificial Intelligence és Machine Learning alapjait.
• Megtanulják a digitális képfeldolgozás alapjait és alkalmazását az arcfelismerésben.
• Fejlesztik az AI eszközök és keretek használatában az arcfelismerő modellek létrehozásához.
• Szerzik a gyakorlati tapasztalatot az arcfelismerő rendszerek létrehozásában, képzésében és tesztelésében.
• Megértik az etikai szempontokat és a legjobb gyakorlatokat az arcfelismerő technológia használatában.

A Fiji egy nyílt forráskódú képfeldolgozó csomag, amely az ImageJ-t (egy képfeldolgozó program tudományos többdimenziós képekhez) és számos tudományos képelemzési beépülő modult tartalmaz.

Ezen az oktató által vezetett, élő képzésen a résztvevők megtanulják, hogyan használhatják a Fidzsi-szigeteki disztribúciót és az alapjául szolgáló ImageJ programot egy képelemző alkalmazás létrehozásához.

A képzés végére a résztvevők képesek lesznek:

• Használja Fidzsi-szigetek fejlett programozási funkcióit és szoftverösszetevőit az ImageJ kiterjesztéséhez
• Tűzzön össze nagy 3D képeket az egymást átfedő csempékből
• A Fidzsi-szigeteki telepítések automatikus frissítése indításkor az integrált frissítési rendszer segítségével
• Válasszon a szkriptnyelvek széles választékából, hogy egyedi képelemzési megoldásokat készítsen
• Használja Fidzsi-szigetek hatékony könyvtárait, például az ImgLib-et a nagy biokép-adatkészletekhez
• Telepítse alkalmazásukat, és működjön együtt más tudósokkal hasonló projektekben

A tanfolyam formátuma

• Interaktív előadás és beszélgetés.
• Sok gyakorlat és gyakorlat.
• Gyakorlati megvalósítás élő labor környezetben.

Tanfolyam testreszabási lehetőségek

• Ha személyre szabott képzést szeretne kérni ehhez a tanfolyamhoz, kérjük, vegye fel velünk a kapcsolatot, hogy megbeszéljük.

Ez oktatói vezetésű, élő képzés (online vagy helyszínen) a kezdő- és középfokú kutatónak és laboratóriumi szakembereknek szól, akik hisztológiai szövetekkel, vérsejtekkel, algákkal és más biológiai mintákkal kapcsolatos képek feldolgozására és elemzésére kíváncsiak.

Ez a képzés végére a résztvevők képesek lesznek:

• Navigálni a Fiji felületén és használni az ImageJ alapfüggvényeit.
• Tudományos képek előfeldolgozása és javítása jobb elemzéshez.
• Képek kvantitatív elemzése, beleértve a sejtszámlálást és területmérést.
• Ismétlődő feladatok automatizálása makrókkal és plug-in-ekkel.
• Speciális képelemzési igényekhez szokott munkafolyamatok testreszabása biológiai kutatásokban.

Ez az Magyarország (online vagy helyszíni) képzés az érzékelőfúzió specialistáknak és az AI mérnököknek szól, akik többérzékelős fúziós algoritmusokat szeretnének fejleszteni, és optimalizálni szeretnék a valós idejű navigációt autonóm rendszerekben.

A képzés végén a résztvevők képesek lesznek:

• Megérteni a többérzékelős adatfúzió alapelveit és kihívásait.
• Valós idejű autonóm navigációra alkalmas érzékelőfúziós algoritmusokat implementálni.
• A LiDAR, kamerák és RADAR adatok integrálására a percepció javítása érdekében.
• A fúziós rendszer teljesítményének elemzésére és értékelésére különböző körülmények között.
• Gyakorlati megoldások kidolgozására az érzékelőzaj csökkentésére és az adatok igazítására.

OpenCV (Open Source Computer Vision Library: http://opencv.org) egy nyílt forráskódú BSD-licenc könyvtár, amely több száz számítógépes látási algoritmust tartalmaz.

Közönség

Ez a kurzus azoknak a mérnököknek és építészeknek szól, akik az OpenCV-et számítógépes látásprojektekben szeretnék használni

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a szoftvermérnököknek szól, akik a Python-ben OpenCV 4-gyel szeretnének programozni a mély tanulás érdekében.

A képzés végére a résztvevők képesek lesznek:

• Tekintse meg, töltse be és osztályozza a képeket és videókat a OpenCV segítségével 4.
• Valósítsa meg a mély tanulást az OpenCV 4-ben a TensorFlow és Keras segítségével.
• Futtasson mély tanulási modelleket, és készítsen hatásos jelentéseket képekből és videókból.

Az OpenFace Python és Torch alapú, nyílt forráskódú, valós idejű arcfelismerő szoftver, amely az Google FaceNet kutatásán alapul.

Ezen az oktató által vezetett, élő képzésen a résztvevők megtanulják, hogyan használhatják az OpenFace összetevőit egy minta arcfelismerő alkalmazás létrehozásához és telepítéséhez.

A képzés végére a résztvevők képesek lesznek:

• Dolgozzon az OpenFace összetevőivel, beleértve a dlib-et, az OpenVC-t, Torch és az nn4-et az arcfelismerés, igazítás és átalakítás megvalósításához
• Alkalmazza az OpenFace-et valós alkalmazásokra, például megfigyelésre, személyazonosság-ellenőrzésre, virtuális valóságra, játékokra és visszatérő ügyfelek azonosítására stb.

Közönség

• Fejlesztők
• Adattudósok

A tanfolyam formátuma

• Rész előadás, részben beszélgetés, gyakorlatok és nehéz gyakorlati gyakorlatok

A Pattern Matching a képen belüli meghatározott minták megkeresésére használt technika. Használható a rögzített képen belüli meghatározott jellemzők meglétének meghatározására, például a gyári soron lévő hibás termék várható címkéje vagy egy alkatrész meghatározott méretei. Ez abban különbözik az "Pattern Recognition"-től (amely a kapcsolódó minták nagyobb gyűjteményei alapján ismer fel általános mintákat), mivel konkrétan megszabja, hogy mit keresünk, majd megmondja, hogy a várt minta létezik-e vagy sem.

A tanfolyam formátuma

• Ez a kurzus bemutatja a mintaillesztés területén alkalmazott megközelítéseket, technológiákat és algoritmusokat a Machine Vision esetében.

Ez az oktató által vezetett, élő tréning lépésről lépésre bemutatja az arcfelismerő rendszer felépítéséhez szükséges szoftvert, hardvert és lépésről lépésre. Az arcfelismerés más néven Face Recognition.

A laborban használt hardver magában foglalja a Rasberry Pi-t, a kameramodult, a szervókat (opcionális) stb. A résztvevők maguk felelősek ezen alkatrészek beszerzéséért. A használt szoftverek a következők: OpenCV, Linux, Python stb.

A képzés végére a résztvevők képesek lesznek:

• Telepítse a Linux, OpenCV és egyéb segédprogramokat és könyvtárakat egy Rasberry Pi-re.
• A OpenCV beállítása arcképek rögzítésére és észlelésére.
• Ismerje meg a Rasberry Pi rendszer különféle csomagolási lehetőségeit valós környezetben való használatra.
• A rendszer hozzáigazítása különféle használati esetekhez, beleértve a megfigyelést, a személyazonosság-ellenőrzést stb.

A tanfolyam formátuma

• Rész előadás, részben beszélgetés, gyakorlatok és nehéz gyakorlati gyakorlat

Jegyzet

• Egyéb hardver- és szoftverlehetőségek: Arduino, OpenFace, Windows stb. Ha ezek közül bármelyiket szeretné használni, kérjük, lépjen kapcsolatba velünk, hogy megbeszéljük.

Ez a tanácsadó által vezetett, élő képzés (Magyarország-ban, online vagy helyszíni) középvizszintű szakemberek számára készült, akik szeretnék a Vision Builder AI-t használni az SMT (Felületi Montázszerelés Technológia) folyamatok automatizált ellenőrzési rendszereinek tervezésére, megvalósítására és optimalizálására.

A képzés végén a résztvevők képesek lesznek:

• Automatikus ellenőrzések beállítása és konfigurálása a Vision Builder AI segítségével.
• Megfelelő minőségű képek beszerzése és előfeldolgozása az elemzéshez.
• Logikai döntések megvalósítása hibák észlelése és folyamat ellenőrzése szempontjából.
• Ellenőrzési jelentések készítése és a rendszer teljesítményének optimalizálása.