Számítógépes látás önvezető járművekhez Képzés

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

A képzés végére a résztvevők képesek lesznek:

• Megérteni a haladó útvonaltervezési algoritmusok elméleti alapjait.
• Algoritmusok implementálása, mint például az RRT*, A* és D* valós idejű navigációhoz.
• Az útvonaltervezés optimalizálása akadálykerülésre és dinamikus környezetekre.
• Útvonaltervezési algoritmusok integrálása érzékelői adatokkal a pontosság növelése érdekében.
• Különböző algoritmusok teljesítményének értékelése gyakorlati forgatókönyvekben.

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszínen) haladó szintű adattudósok, AI-szakértők és autóipari AI-fejlesztők számára készült, akik AI-modelleket szeretnének építeni, betanítani és optimalizálni önvezető alkalmazásokhoz.

A képzés végére a résztvevők képesek lesznek:

• Megérteni a mesterséges intelligencia és a mélytanulás alapjait az önvezető járművek kontextusában.
• Számítógépes látástechnikák implementálása valós idejű objektumfelismeréshez és sávkövetéshez.
• Erősítő tanulás alkalmazása döntéshozatalhoz önvezető rendszerekben.
• Érzékelőegyesítési technikák integrálása jobb érzékelés és navigáció érdekében.
• Mélytanulási modellek építése vezetési forgatókönyvek előrejelzésére és elemzésére.

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszíni) haladó szintű biztonsági mérnökök és autóipari biztonsági szakemberek számára készült, akik átfogó biztonsági stratégiákat szeretnének kialakítani autonóm járművek számára, beleértve a kockázatelemzést, funkcionális biztonsági értékeléseket és a nemzetközi szabványoknak való megfelelést.

A képzés végére a résztvevők képesek lesznek:

• Azonosítani és értékelni az autonóm vezetési rendszerekhez kapcsolódó biztonsági kockázatokat.
• Kockázatelemzést és kockázatértékelést végezni iparági szabványok alapján.
• Biztonsági ellenőrzési és hitelesítési módszerek implementálása AV rendszerek számára.
• Funkcionális biztonsági szabványok alkalmazása, mint például az ISO 26262 és a SOTIF.
• Kockázatcsökkentő stratégiák kialakítása az AV biztonsági kihívásokra.

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) kezdő szintű rendvédelmi személyzetek számára készült, akik szeretnének áttérni a kézi arcrészletezésről az AI eszközök használatára az arcfelismerő rendszerek fejlesztésében.

A képzés végére a résztvevők képesek lesznek:

• Megérteni a Mesterséges Intelligencia és a Gépi Tanulás alapjait.
• Megismerni a digitális képfeldolgozás alapjait és annak alkalmazását az arcfelismerésben.
• Fejleszteni készségeiket az AI eszközök és keretrendszerek használatában az arcfelismerő modellek létrehozásához.
• Gyakorlati tapasztalatot szerezni az arcfelismerő rendszerek létrehozásában, betanításában és tesztelésében.
• Megérteni az etikai megfontolásokat és ajánlott gyakorlatokat az arcfelismerő technológia használatában.

A Fiji egy nyílt forráskódú képfeldolgozó csomag, amely az ImageJ-t (egy tudományos többdimenziós képek feldolgozására szolgáló programot) és számos beépülő modult tartalmaz a tudományos képanalízishez.

Ebben az oktató által vezetett, élő képzésben a résztvevők megtanulják, hogyan használják a Fiji disztribúciót és az alapjául szolgáló ImageJ programot egy képfeldolgozó alkalmazás létrehozásához.

A képzés végére a résztvevők képesek lesznek:

• A Fiji fejlett programozási funkcióit és szoftverkomponenseit használni az ImageJ bővítéséhez
• Nagy 3D képeket összeilleszteni egymást fedő részekből
• Automatikusan frissíteni egy Fiji telepítést az indításkor az integrált frissítési rendszer segítségével
• Széles választékból kiválasztani szkriptnyelveket egyedi képfeldolgozási megoldások készítéséhez
• A Fiji hatékony könyvtárait, például az ImgLib-t használni nagy bioadatkészleteken
• Alkalmazásuk üzembe helyezésére és együttműködésre más tudósokkal hasonló projekteken

A képzés formátuma

• Interaktív előadás és vita.
• Számos gyakorlat és gyakorlás.
• Gyakorlati megvalósítás élő laboratóriumi környezetben.

Képzés testreszabási lehetőségei

• A képzés testreszabásának kéréséhez kérjük, lépjen kapcsolatba velünk.

Ez az oktató által vezetett, élőben tartott képzés Magyarország (online vagy helyszíni) kezdő és középhaladó szintű kutatóknak és laboratóriumi szakembereknek szól, akik hisztológiai szövetek, vérsejtek, algák és más biológiai minták kapcsán szeretnének képeket feldolgozni és elemezni.

A képzés végére a résztvevők képesek lesznek:

• Navigálni a Fiji felületén és az ImageJ alapfunkcióit használni.
• Tudományos képeket előfeldolgozni és javítani a jobb elemzés érdekében.
• Képeket mennyiségileg elemezni, beleértve a sejtszámlálást és a területmérést.
• Ismétlődő feladatokat automatizálni makrók és bővítmények segítségével.
• Munkafolyamatokat testreszabni a biológiai kutatásokban előforduló képfeldolgozási igényekhez.

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszíni) kezdő szintű szakemberek és lelkesedők számára készült, akik szeretnének megismerni az autonóm járművek alapvető fogalmait, technológiáit és alkalmazásait.

A képzés végén a résztvevők képesek lesznek:

• Megérteni az autonóm járművek kulcsfontosságú összetevőit és működési elveit.
• Felfedezni az AI, az érzékelők és a valós idejű adatfeldolgozás szerepét az önvezető rendszerekben.
• Elemzésbe venni a járművek különböző szintű autonómiáját és azok valós világbeli alkalmazásait.
• Vizsgálatba venni az autonóm mobilitás etikai, jogi és szabályozási szempontjait.
• Gyakorlati tapasztalatot szerezni autonóm járművek szimulációiban.

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszíni) haladó szintű érzékelőfúzió szakembereknek és AI mérnököknek szól, akik többérzékelős fúziós algoritmusokat kívánnak fejleszteni és az autonóm rendszerek valós idejű navigációját optimalizálni.

A képzés végén a résztvevők képesek lesznek:

• Megérteni a többérzékelős adatfúzió alapjait és kihívásait.
• Érzékelőfúziós algoritmusokat implementálni valós idejű autonóm navigációhoz.
• LiDAR, kamera és RADAR adatainak integrálása az érzékelés javítása érdekében.
• Elemzése és értékelése a fúziós rendszer teljesítményének különböző körülmények között.
• Gyakorlati megoldások fejlesztése az érzékelő zaj csökkentésére és az adatok összehangolására.

Az OpenCV (Open Source Computer Vision Library: http://opencv.org) egy nyílt forráskódú, BSD licenc alatt kiadott könyvtár, amely több száz számítógépes látásra vonatkozó algoritmust tartalmaz.

Célközönség

Ez a kurzus mérnököknek és architektusoknak szól, akik az OpenCV-t szeretnék használni számítógépes látási projektekben.

Ez az oktató által vezetett, élőben zajló képzés Magyarország-ben (online vagy helyszínen) szoftvermérnököknek szól, akik Pythonban szeretnének programozni az OpenCV 4-gyel a mélytanulás területén.

A képzés végére a résztvevők képesek lesznek:

• Képeket és videókat megtekinteni, betölteni és osztályozni az OpenCV 4 segítségével.
• Mélytanulást implementálni az OpenCV 4-ben a TensorFlow és a Keras segítségével.
• Mélytanulási modelleket futtatni és hatásos jelentéseket készíteni képekből és videókból.

A mintázatillesztés egy olyan technika, amelyet a képekben lévő meghatározott mintázatok lokalizálására használnak. Segítségével meghatározható, hogy egy rögzített képben megtalálhatóak-e a meghatározott jellemzők, például egy gyártósoron lévő hibás terméken az elvárt címke vagy egy alkatrész meghatározott méretei. A "Mintázatfelismeréstől" (amely általános mintázatokat ismer fel a kapcsolódó minták nagyobb gyűjteménye alapján) abban különbözik, hogy konkrétan meghatározza, mit keresünk, majd megmondja, hogy az elvárt mintázat létezik-e vagy sem.

A kurzus formátuma

• Ez a kurzus bemutatja a mintázatillesztés területén használt megközelítéseket, technológiákat és algoritmusokat a gépi látás alkalmazásában.

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszíni) középszintű mérnökök, autóipari szakemberek és IoT-szakértők számára készült, akik szeretnék megérteni a szenzorok szerepét az önvezető autókban, beleértve a LiDAR-t, radart, kamerákat és a szenzorok összevonási technikáit.

A képzés végére a résztvevők képesek lesznek:

• Megérteni az önvezető járművekben használt különböző típusú szenzorokat.
• Elemzni a szenzoradatokat a jármű valós idejű érzékeléséhez és döntéshozatalához.
• Implementálni a szenzorok összevonási technikáit a jármű pontosságának és biztonságának javításához.
• Optimalizálni a szenzorok elhelyezését és kalibrálását a jobb önvezető teljesítmény érdekében.

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) középszintű hálózati mérnökök és autóipari IoT fejlesztők számára készült, akik meg szeretnék érteni és implementálni a V2X kommunikációs technológiákat autonóm járművekhez.

A képzés végére a résztvevők képesek lesznek:

• Megérteni a V2X kommunikáció alapvető fogalmait.
• Elemezni a V2V, V2I, V2P és V2N kommunikációs modelleket.
• Implementálni a V2X protokollokat, mint például a DSRC és a C-V2X.
• Fejleszteni szimulációkat kapcsolt jármű környezetekhez.
• Megbirkózni a kiberbiztonsági és adatvédelmi kihívásokkal a V2X hálózatokban.

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) középhaladó szintű szakembereknek szól, akik a Vision Builder AI segítségével szeretnének tervezni, implementálni és optimalizálni az automatikus ellenőrző rendszereket SMT (Surface-Mount Technology) folyamatokhoz.

A képzés végére a résztvevők képesek lesznek:

• Automatizált ellenőrzések beállítása és konfigurálása a Vision Builder AI segítségével.
• Kiváló minőségű képek rögzítése és előfeldolgozása elemzés céljából.
• Logika alapú döntések implementálása hibadetektálásra és folyamatvalidációra.
• Ellenőrzési jelentések készítése és rendszer teljesítményének optimalizálása.