Veranstaltungsort
Technische Universität Wien
Resselgasse 4
1040 Wien
Vortragsraum TU Bibliothek (
Link)
Achtung!
Den aktuellen Empfehlungen der Bundesregierung folgend und zur Minimierung des Ansteckungsrisikos mit Covid-19 muss leider der OVG Vortrag abgesagt werden!
ACHTUNG: NEUE Location!!
Wie findet man hin: Den Haupteingang der TU Bibliothek in der Resslgasse 4 nehmen, vor den Portieren links vorbeigehen und in den 5.Stock fahren. Der Raum ist vor Ort gekennzeichnet.
Hier ist ein Bild des Eingangs: Link
Vortrag 1: " Angewandte KI-Basierte Verortung von Objekten mittels 3D Bilddaten "
Inhalt
Die Firma EnliteAI beschäftigt sich unter anderem mit der KI basierten Erfassung und Georeferenzierung von Objekten auf Basis von stereoskopischen 3D Bilddaten. Für eine praktische Umsetzung dieser Aufgabe wir ein zweistufiger Ansatz verfolgt: Stufe eins ist die KI basierte Erkennung und Segmentierung von relevanten Objekten in den gegebenen Bilddaten. Stufe 2 verwendet diese Detektionen für die Georeferenzierung der Objekte mittels kalibrierter Kamerasysteme und den im Zuge der Aufnahmen aufgezeichneten GPS Daten. Ich werde im Rahmen meines Vortrages kurz auf die gesamte Verarbeitungspipeline eingehen, vor allem aber einen Einblick in Stufe 1, die Machine Learning basierte Erkennung von Objekten in Bilddaten geben.
Vortagender
Matthias Dorfer ist AI Research Engineer bei der Firma EnliteAi in Wien, wo er sich mit der Anwendung und Entwicklung von Methoden im Umfeld von Reinforcement Learning, Computer Vision und Generativen Modellen beschäftigt. Seine Ausbildungsschwerpunkte setzte er an der Technischen und Medizinischen Universität Wien in den Bereichen Bildverarbeitung und Mustererkennung im Kontext von medizinischen Fragestellungen. Vor seinem Doktorart an der Johannes Kepler Universität Linz mit Forschungsschwerpunkt Multi-Modal Deep Learning auf Audio- und Bilddaten war er in der industrielle Forschung am Software Competence Center Hagenberg im Bereich Knowledge Based Vision Systems tätig.
Vortrag 2: " Deep Learning für Punktwolkenprozessierung "
Inhalt
Der Durchbruch künstlicher Intelligenz in Form von Neuronalen Netzen in der Computer Vision hat auch in benachbarten Feldern wie der Photogrammetrie großes Interesse geweckt. Aufgrund der ungeordneten und unregelmäßigen Datenstruktur von Punktwolken ist jedoch die Anwendung der oft für strukturierte (Bild-) Daten designten Neuronalen Netze nicht trivial. Außerdem enthält die Nachbarschaft innerhalb einer Punktwolke inhärent Information, die genutzt werden soll.
In diesem Vortrag werden daher Konzepte präsentiert, die diese Anwendung auf topographische 3D-Punktwolken möglich machen. Dabei ist das Ziel, die Einzelpunkte semantischen Klassen zuzuordnen. Die Ergebnisse zeigen, dass ein Neuronales Netz in der Lage ist, lokale Nachbarschaften ähnlich zu beschreiben, wie das mit herkömmlichen, manuell entworfenen Attributen möglich ist.
Vortagender
Lukas Winiwarter hat sein Masterstudium der Geodäsie und Geoinformatik an der TU Wien im September 2018 mit einer Arbeit über die semantische Klassifizierung von 3D-Punktwolken mittels Neuronalen Netzen abgeschlossen. Diese Diplomarbeit wurde mehrfach nominiert und ausgezeichnet, u.a. mit dem Karl-Kraus-Nachwuchsförderpreis 2019 der DGPF, der OVG und der SGPF (1. Platz) oder dem AGEO Award 2019 (3. Platz). Vor seinem Abschluss war Lukas Winiwarter als Studienassistent in der Forschungsgruppe Photogrammetrie und als Softwareentwickler im Vermessungsbüro Bogensberger Vermessung tätig. Seit Oktober 2018 ist er wissenschaftlicher Mitarbeiter und Doktorand am Geographischen Institut der Ruprecht-Karls-Universität Heidelberg, Deutschland. In seiner Dissertation entwickelt er Methoden, um Zeitserien von 3D-Punktwolken auszuwerten. Das primäre Anwendungsgebiet sind dabei geomorphologische Massenbewegungen, etwa im alpinen Raum.
