27. Aug - Meetup zu KI, ML und Computer Vision

Description

Nehmen Sie an unserem virtuellen Meetup teil, um Vorträge von Experten zu neuesten Themen im Bereich KI, ML und Computer Vision zu hören. Datum, Uhrzeit und Ort 27. Aug, 2026 09:00 - 11:00 Uhr PST Online. **[Für Zoom registrieren!](https://voxel51.com/events/ai-ml-and-computer-vision-meetup-august-27-2026)** **Robuste Konzeptschutzmaßnahmen gegen Diffusionsbasierte Bildbearbeitung und Personalisierung** Diffusionsbasierte Bildbearbeitungs- und Personalisierungsmodelle haben es zunehmend einfacher gemacht, visuelle Konzepte mit nur wenigen Referenzbildern zu manipulieren und zu replizieren. Bestehende Schutzmethoden passen sich jedoch oft zu stark an ein einzelnes Angriffsmodell an und scheitern daran, sich über verschiedene Bearbeitungspipelines hinweg zu verallgemeinern. In dieser Präsentation werde ich über die neuesten Fortschritte im Konzeptschutz für generative KI-Systeme diskutieren, wobei ich mich auf gezielte Störstrategien und stilsensitive Diffusionsdarstellungen konzentriere. Ich werde auch experimentelle Ergebnisse aus mehreren Bearbeitungs- und Feinabstimmungsszenarien präsentieren, die die Herausforderungen von Robustheit, Übertragbarkeit und Unauffälligkeit in praktischen Schutzsettings hervorheben. Schließlich werde ich offene Probleme und zukünftige Richtungen in Bezug auf vertrauenswürdigen Besitz generativer Inhalte diskutieren. *Über den Sprecher* [Qiuyu Tang](https://www.linkedin.com/in/qiuyutang/) ist Doktorandin der Informatik und Ingenieurwissenschaften an der Lehigh University. Ihre Forschung konzentriert sich auf vertrauenswürdige KI, Medienforensik und robuste Schutzmethoden gegen diffusionsbasierte Bildbearbeitung und Personalisierungssysteme. Ihre jüngste Arbeit untersucht den Konzeptschutz, den Schutz von Stilen, die semantische Manipulation von Bildern und die Robustheit generativer KI. Sie hat zu mehreren Veröffentlichungen in Computer Vision und KI-Sicherheit beigetragen, darunter Forschung zum Schutz von Diffusionsmodellen und zur Manipulationsdetektion, und war zudem als Organisatorin von Konferenz-Workshops tätig. **Von Pixeln zum Planeten: Skalierbare und fundierte KI für die Wissenschaft aufbauen** KI hat viele neue Möglichkeiten gezeigt, von der Erstellung von E-Mails bis zur Bildbearbeitung und -generierung. Die Wirksamkeit von KI-Modellen beruht weitgehend auf einer standardisierten Machine-Learning-Pipeline, in der Daten in Modelle eingespeist werden, um Darstellungen und Vorhersagen zu erhalten, und die Leistung mit kontrollierten Benchmarks und Metriken bewertet wird. Das Problem tritt jedoch auf, wenn wir versuchen, diese Pipeline auf die Interaktion mit der realen Welt zu übertragen und KI für wissenschaftliche Entdeckungen zu nutzen. Über enge Entscheidungen hinaus möchten Wissenschaftler neue Kategorien entdecken und neue Hypothesen aufstellen. In diesem Vortrag werde ich teilen, wie ich die Herausforderungen der KI für die Wissenschaft aus den Perspektiven datenzentrierter Methoden und Interpretierbarkeit angehe. *Über den Sprecher* [Jianyang Gu](https://www.linkedin.com/in/jianyang-gu-9235151b9/) ist Postdoktorand an der Ohio State University. Seine Forschung konzentriert sich auf die Verwendung datenzentrierter Methoden, um skalierbare und interpretable Grundmodelle für die Wissenschaft zu entwickeln. **Jenseits des Stalls: Nicht-invasive Erkennung von Azidose bei Milchkühen durch multimodale Gasemissionsintelligenz** Rumenazidose kostet die globale Milchindustrie jährlich still Milliarden und gefährdet das Tierwohl, aber aktuelle Erkennungsmethoden bleiben invasiv, verzögert und in großem Maßstab unpraktisch. Unser Labor hat einen grundlegend neuen Ansatz entwickelt: das Erfassen und Analysieren von ausgeatmeten CO₂- und CH₄-Gasemissionsmustern durch synchronisierte RGB-thermische Bildgebung, die jeden Atemzug in ein Diagnosesignal verwandelt. Wir haben DualGasNet entwickelt, eine Dual-Stream-Deep-Learning-Architektur mit Cross-Attention-Fusion, die Azidose nicht-invasiv und in Echtzeit erkennt und dabei eine führende Genauigkeit auf einem einzigartigen Datensatz für Tiergasausstoß erreicht, den wir von Grund auf neu erstellt haben. Um auf erklärbare, für den Bauernhof geeignete KI hinzuarbeiten, integrieren wir visuelle Sprachmodelle — CLIP und LLaVA-1.5 — die eine Zero-Shot-Diagnosebegründung ermöglichen, die die Kluft zwischen tiefen Lernvorhersagen und umsetzbaren veterinärmedizinischen Erkenntnissen überbrückt. Dieser Vortrag wird den gesamten Prozess von der Erstellung des benutzerdefinierten Datensatzes bis zur multimodalen Fusion und zur VLM-basierten Interpretation durchlaufen und dem Publikum eine überzeugende Fallstudie dazu anbieten, wie Computer Vision hochkarätige, reale Probleme außerhalb traditioneller Benchmarks lösen kann. *Über den Sprecher* [Taminul Islam](https://www.linkedin.com/in/taminul-islam/) ist Doktorand und Forscher am Southern Illinois University Carbondale mit über 40 Veröffentlichungen, mehr als 740 Zitierungen und einem h-Index von 16 — mit Veröffentlichungen in CVPR 2026, WACV 2026 (mündlich), ICCV 2025 und Nature Scientific Reports, darunter ein hochzitiert Papier für 2024–25. **Aufbau von Computer Vision-Systemen für die reale Welt mit Voxel51** Dieser Vortrag wird praktische Workflows zum Bauen, Bewerten und Verbessern moderner Computer Vision-Systeme erkunden. Wir werden uns mit realweltlichen Ansätzen zur Datensatz-Kuration, Modellanalyse, multimodalen KI-Workflows und produktionsbereiten Vision-Pipelines unter Verwendung von Open-Source-Technologien befassen. Die Sitzung ist für Ingenieure, Forscher und KI-Praktiker konzipiert, die besser verstehen möchten, wie Teams heute Computer Vision-Anwendungen entwickeln und skalieren. Erwarten Sie praktische Demos, technische Einblicke und Diskussionen über das sich weiterentwickelnde Ökosystem der KI-Werkzeuge. *Über den Sprecher* [Daniel Gural](https://www.linkedin.com/in/daniel-gural/) ist Experte für Physische KI und arbeitet seit über 8 Jahren auf diesem Gebiet. Er hat in der Gesundheitsversorgung gearbeitet und Erfahrung sowohl in der praktischen Anwendung als auch in der Nutzung von Visueller KI als Unterstützung in psychologischen Anwendungen.