Курс за обучение по Computer Vision for Autonomous Driving

Този практически, водещ се от инструктор курс (онлайн или на място) е предназначен за напреднали роботици и изследователи в областта на изкуствения интелект, които желаят да внедрят сложни алгоритми за планиране на траектории с цел подобряване на производителността на автономните превозни средства.

В края на това обучение участниците ще могат да:

• Разберат теоретичните основи на усъвършенстваните алгоритми за планиране на траектории.
• Внедрят алгоритми като RRT*, A*, и D* за навигация в реално време.
• Оптимизират планирането на траектории за избягване на препятствия и динамични среди.
• Интегрират алгоритмите за планиране на траектории със сензорни данни за повишена точност.
• Оценят производителността на различните алгоритми в практически сценарии.

Този обучение, водено от инструктор на живо (онлайн или на място), е предназначено за напреднали данни учени, специалисти по AI и разработчици на автомобилни AI, които искат да създават, обучават и оптимизират AI модели за приложения в автономно управление на превозни средства.

До края на това обучение участниците ще могат да:

• Разберат основните принципи на AI и дълбоко обучение в контекста на автономни превозни средства.
• Прилагат техники за компютърно зрение за реално време за откриване на обекти и следване на коловоз.
• Използват подкрепящо обучение за взимане на решения в самоуправляващи се системи.
• Интегрират техники за фузия на сензори за по-добро възприемане и навигация.
• Създават модели за дълбоко обучение за предвиждане и анализ на сценарии за управление.

Този практически, водещ се от инструктор курс (онлайн или на място) е предназначен за напреднали инженери по безопасност и специалисти по автомобилна безопасност, които желаят да разработят цялостни стратегии за безопасност за автономни превозни средства, включително анализ на опасностите, оценки на функционалната безопасност и съответствие с международните стандарти.

В края на този курс, участниците ще могат да:

• Идентифицират и оценяват рисковете за безопасността, свързани с автономните системи за шофиране.
• Провеждат анализ на опасностите и оценка на риска, използвайки индустриални стандарти.
• Внедряват методи за валидиране и проверка на безопасността за AV системи.
• Прилагат стандарти за функционална безопасност, като ISO 26262 и SOTIF.
• Разработват стратегии за смекчаване на рисковете при предизвикателствата пред безопасността на AV.

Това обучение с инструктор, което се провежда на живо в България (онлайн или на място), е направено за началници от правоохранителните органи, които желаят да преминат от ръчно чертане на лица към използване на инструменти за изкуствен интелект за разработване на системи за разпознаване на лица.

Към края на това обучение участниците ще бъдат в състояние да:

• Разбират основите на Изкуствен интелигент и Машинно обучение.
• Научат основите на цифрова обработка на изображения и приложението им в разпознаването на лица.
• Развият умения в използването на инструменти и рамки за изкуствен интелект за създаване на модели за разпознаване на лица.
• Придобият практическо опит в създаването, обучението и тестването на системи за разпознаване на лица.
• Разбират етичните разсъждения и най-добрите практики при използването на технологии за разпознаване на лица.

Fiji е пакет за обработка на изображения с отворен код, който обединява ImageJ (програма за обработка на изображения за научни многоизмерни изображения) и редица добавки за научен анализ на изображения.

В това обучение на живо, ръководено от инструктор, участниците ще се научат как да използват дистрибуцията на Фиджи и основната програма ImageJ, за да създадат приложение за анализ на изображения.

До края на това обучение участниците ще могат:

• Използвайте усъвършенстваните функции за програмиране и софтуерни компоненти на Фиджи, за да разширите ImageJ
• Слепете големи 3D изображения от припокриващи се плочки
• Автоматично актуализиране на инсталация на Фиджи при стартиране с помощта на интегрираната система за актуализиране
• Изберете от богат набор от скриптови езици, за да създадете персонализирани решения за анализ на изображения
• Използвайте мощните библиотеки на Фиджи, като ImgLib върху големи набори от данни за биоизображения
• Внедрете тяхното приложение и си сътрудничете с други учени по подобни проекти

Формат на курса

• Интерактивна лекция и дискусия.
• Много упражнения и практика.
• Практическо внедряване в лабораторна среда на живо.

Опции за персонализиране на курса

• За да поискате персонализирано обучение за този курс, моля свържете се с нас, за да уговорим.

Тази обучение с инструктор, проводимо онлайн или на място, е направено за изследователи и лабораторни специалисти с начално или средно ниво, които искат да обработват и анализират изображения, свързани с хистологични тъкани, кръвни клетки, водоросли и други биологични проби.

Към края на това обучение участниците ще могат да:

• Навигация по интерфейса на Fiji и използване на основните функции на ImageJ.
• Предварителна обработка и подобряване на научни изображения за по-добра анализа.
• Количествен анализ на изображения, включително броене на клетки и измерване на площ.
• Автоматизация на повтарящи се задачи с макроси и плагини.
• Персонализиране на работите за специфични нужди от анализа на изображения в биологически изследвания.

Този практически, водещ се от инструктор курс (онлайн или на място) е предназначен за специалисти по сензорно сливане от напреднало ниво и AI инженери, които желаят да разработят алгоритми за сливане на множество сензори и да оптимизират навигацията в реално време в автономни системи.

В края на този курс участниците ще могат да:

• Разберат основите и предизвикателствата на сливането на данни от множество сензори.
• Приложат алгоритми за сензорно сливане за навигация в реално време в автономни системи.
• Интегрират данни от LiDAR, камери и RADAR за подобряване на възприятието.
• Анализират и оценяват производителността на системите за сливане при различни условия.
• Разработят практически решения за намаляване на шума от сензорите и привеждане на данните в съответствие.

OpenCV (Библиотека с отворен код Computer Vision: http://opencv.org) е библиотека с отворен код, лицензирана за BSD, която включва няколко стотици алгоритми за компютърно зрение.

Публика

Този курс е насочен към инженери и архитекти, които искат да използват OpenCV за проекти за компютърно зрение

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към софтуерни инженери, които желаят да програмират в Python с OpenCV 4 за задълбочено обучение.

До края на това обучение участниците ще могат:

• Преглеждайте, зареждайте и класифицирайте изображения и видеоклипове с помощта на OpenCV 4.
• Приложете дълбоко обучение в OpenCV 4 с TensorFlow и Keras.
• Изпълнявайте модели за дълбоко обучение и генерирайте въздействащи отчети от изображения и видеоклипове.

OpenFace е Python и Torch базиран софтуер с отворен код за лицево разпознаване в реално време, базиран на Google's FaceNet изследвания.

В това обучение на живо, ръководено от инструктор, участниците ще се научат как да използват компонентите на OpenFace, за да създадат и внедрят примерно приложение за лицево разпознаване.

До края на това обучение участниците ще могат:

• Работете с компонентите на OpenFace, включително dlib, OpenVC, Torch и nn4, за да реализирате разпознаване на лица, подравняване и трансформация
• Приложете OpenFace към приложения от реалния свят като наблюдение, проверка на самоличността, виртуална реалност, игри и идентифициране на повтарящи се клиенти и др.

Публика

• Разработчици
• Учени по данни

Формат на курса

• Част лекция, част дискусия, упражнения и тежка практическа практика

Pattern Matching е техника, използвана за локализиране на определени модели в изображение. Може да се използва за определяне на съществуването на определени характеристики в заснето изображение, например очаквания етикет върху дефектен продукт във фабрична линия или определените размери на компонент. Той е различен от "Pattern Recognition" (който разпознава общи модели, базирани на по-големи колекции от свързани проби) по това, че конкретно диктува какво търсим, след което ни казва дали очакваният модел съществува или не.

Формат на курса

• Този курс представя подходите, технологиите и алгоритмите, използвани в областта на съпоставянето на шаблони, както се прилага към Machine Vision.

Това водено от инструктор обучение на живо въвежда софтуера, хардуера и процеса стъпка по стъпка, необходими за изграждане на система за лицево разпознаване от нулата. Разпознаването на лица е известно още като Face Recognition.

Хардуерът, използван в тази лаборатория, включва Rasberry Pi, модул на камерата, серво (по избор) и т.н. Участниците са отговорни за закупуването на тези компоненти сами. Използваният софтуер включва OpenCV, Linux, Python и др.

До края на това обучение участниците ще могат:

• Инсталирайте Linux, OpenCV и други софтуерни помощни програми и библиотеки на Rasberry Pi.
• Конфигурирайте OpenCV за заснемане и откриване на изображения на лицето.
• Разберете различните опции за опаковане на система Rasberry Pi за използване в реални среди.
• Адаптирайте системата за различни случаи на употреба, включително наблюдение, проверка на самоличността и др.

Формат на курса

• Част лекция, част дискусия, упражнения и тежка практическа практика

Забележка

• Други хардуерни и софтуерни опции включват: Arduino, OpenFace, Windows и др. Ако желаете да използвате някое от тях, моля, свържете се с нас, за да уговорим.

Този инструкторски воден, живо обучение на България (онлайн или на място) е направено за професионалисти на средно ниво, които искат да използват Vision Builder AI, за да проектират, имплементират и оптимизират автоматизирани системи за инспекция за процеси на SMT (повърхностно монтиране).

До края на това обучение участниците ще могат да:

• Настрояват и конфигурират автоматизирани инспекции, използвайки Vision Builder AI.
• Придобиват и предобработват изображения с високо качество за анализ.
• Имплементират логически решения за откриване на дефекти и валидиране на процеса.
• Генерират отчети за инспекции и оптимизират производителността на системата.