27 aug - AI, ML en Computer Vision Meetup

Description

Doe mee met onze virtuele meetup om lezingen van experts te horen over baanbrekende onderwerpen op het gebied van AI, ML en computer vision. Datum, Tijd en Locatie 27 aug, 2026 9:00 - 11:00 PST Online. **[Registreer voor de Zoom!](https://voxel51.com/events/ai-ml-and-computer-vision-meetup-august-27-2026)** **Robuuste Conceptbescherming tegen Diffusiegebaseerde Beeldbewerking en Personalisatie** Diffusiegebaseerde beeldbewerking en personalisatiemodellen hebben het steeds eenvoudiger gemaakt om visuele concepten te manipuleren en te repliceren op basis van slechts enkele referentiebeelden. Echter, bestaande beschermingsmethoden zijn vaak te specifiek voor een enkel aanvalmodel en faalt in het generaliseren over diverse bewerkingspijplijnen. In deze presentatie zal ik recente vooruitgangen in conceptbescherming voor generatieve AI-systemen bespreken, met de nadruk op gerichte verstoringsstrategieën en stijlgevoelige diffusie-representaties. Ik zal ook experimentele bevindingen presenteren in verschillende bewerkings- en fijn-afstemmingsscenario's, waarbij ik de uitdagingen van robuustheid, overdraagbaarheid en onopvallendheid in praktische beschermingsinstellingen zal belichten. Ten slotte zal ik open problemen en toekomstige richtingen bespreken voor een betrouwbare generatieve eigendom van inhoud. *Over de Spreker* [Qiuyu Tang](https://www.linkedin.com/in/qiuyutang/) is een Ph.D. student in Computer Science and Engineering aan de Lehigh University. Haar onderzoek richt zich op betrouwbare AI, mediaforensica en robuuste beschermingsmethoden tegen diffusiegebaseerde beeldbewerking en personalisatiesystemen. Haar recente werk verkent conceptbescherming, stijlbescherming, semantische beeldmanipulatie en robuustheid van generatieve AI. Ze heeft bijgedragen aan meerdere publicaties in computer vision en AI-veiligheid, inclusief onderzoek naar de bescherming van diffusie-modellen en manipulatie-detectie, en heeft ook gediend als organisator van conferentieworkshops. **Van Pixel naar Planeet: Schaalbare en Gegronde AI voor Wetenschap Bouwen** AI heeft veel nieuwe mogelijkheden aangetoond, van het opstellen van e-mails tot beeldbewerking en -generatie. De doeltreffendheid van AI-modellen is grotendeels gebaseerd op een standaard machine learning-pijplijn, waar gegevens aan modellen worden gevoed om representaties en voorspellingen te krijgen, en de prestaties worden geëvalueerd met gecontroleerde benchmarks en meetwaarden. Echter, de mismatch ontstaat wanneer we proberen deze pijplijn over te brengen naar de interactie met de echte wereld en AI te gebruiken voor wetenschappelijke ontdekkingen. Naast gesloten beslissingen willen wetenschappers nieuwe categorieën ontdekken en nieuwe hypothesen voorstellen. In deze lezing zal ik delen hoe ik de uitdagingen van AI voor wetenschap aanpak vanuit de perspectieven van gegevensgerichte methoden en interpretabiliteitsbenaderingen. *Over de Spreker* [Jianyang Gu](https://www.linkedin.com/in/jianyang-gu-9235151b9/) is een postdoctoraal onderzoeker aan The Ohio State University. Zijn onderzoek richt zich op het gebruik van gegevensgerichte methoden om schaalbare en interpreteerbare fundamentale modellen voor wetenschap te bouwen. **Voorbij de Schuur: Niet-Invasieve Acidosis Detectie bij Melkvee Door Multimodale Gasemissie Intelligentie** Rumenacidosis kost de wereldwijde zuivelindustrie jaarlijks stilletjes miljarden en compromitteert het dierenwelzijn, maar huidige detectiemethoden blijven invasief, vertraagd en onpraktisch op grote schaal. Ons lab heeft een fundamenteel nieuwe benadering gepionierd: het vastleggen en analyseren van uitgeademde CO₂- en CH₄-gasemissiepaden via gesynchroniseerde RGB-thermische beeldvorming, waardoor elke ademhaling in een diagnostisch signaal wordt omgezet. We hebben DualGasNet ontwikkeld, een dual-stream deep learning-architectuur met cross-attention fusie die acidosis niet-invasief en in real-time detecteert, met een state-of-the-art nauwkeurigheid op een uniek dataset van gasemissies van vee die we vanaf nul hebben opgebouwd. Om te streven naar verklaarbare, boerderij-klare AI, integreren we vision-taalmodellen — CLIP en LLaVA-1.5 — waarmee nul-shot diagnose-redenering mogelijk is die de kloof overbrugt tussen deep learning-voorspellingen en actiegerichte veterinaire inzichten. Deze lezing zal de volledige pijplijn doorlopen van op maat gemaakte datasetcreatie tot multimodale fusie tot VLM-gestuurde interpretatie, en biedt het publiek een overtuigende casestudy in hoe computer vision hoge-impact, echte problemen kan oplossen buiten traditionele benchmarks. *Over de Spreker* [Taminul Islam](https://www.linkedin.com/in/taminul-islam/) is een Doctoral Research Fellow en PhD-kandidaat aan de Southern Illinois University Carbondale met meer dan 40 publicaties, meer dan 740 citaties en een h-index van 16 — met publicaties in CVPR 2026, WACV 2026 (Oral), ICCV 2025 en Nature Scientific Reports, inclusief een Highly Cited Paper voor 2024–25. **Reële Computer Vision Systemen Bouwen met Voxel51** Deze lezing zal praktische workflows verkennen voor het bouwen, evalueren en verbeteren van moderne computer vision-systemen. We zullen de praktische benaderingen van datasetcuratie, modelanalyse, multimodale AI-workflows en productieklare vision-pijpen met open-source technologieën onderzoeken. De sessie is ontworpen voor ingenieurs, onderzoekers en AI-practitioners die beter willen begrijpen hoe teams vandaag computer vision-toepassingen ontwikkelen en opschalen. Verwacht praktische demonstraties, technische inzichten en discussies over het evoluerende AI-tooling ecosysteem. *Over de Spreker* [Daniel Gural](https://www.linkedin.com/in/daniel-gural/) is een expert in Fysieke AI en werkt al meer dan 8 jaar op dit gebied. Hij heeft ervaring in zowel operationele gebruikstoepassingen als het gebruik van Visuele AI als hulp bij psychologie toepassingen in de gezondheidszorg.