24 sep - AI, ML en Computer Vision Meetup

Doe mee aan onze virtuele meetup op 24 september om lezingen van experts te horen over baanbrekende onderwerpen op het gebied van AI, ML en computer vision. Datum, Tijd en Locatie 24 sep, 2026 09:00 - 11:00 PST Online. Registreer voor de Zoom! Hoe Sturen de AI-Principes van Mercedes-Benz Onze Innovatie? Bij Mercedes-Benz leiden onze AI-principes elke stap van innovatie, met nadruk op verantwoord gebruik, veiligheid en betrouwbaarheid, verklaarbaarheid en de bescherming van privacy. Deze principes gaan verder dan verklaringen en vormen actief hoe we AI-systemen ontwerpen, testen en implementeren in de echte wereld van de auto-industrie en ondernemingen. In deze lezing presenteer ik hoe deze principes onze recente onderzoeken hebben geïnspireerd over wanneer het hergebruiken van LoRA (Low-Rank Adaptation) effectief is. Door theoretische analyse te combineren met synthetische data als proxy voor bedrijfs-scenario's, hebben we de sterke en zwakke punten van modulaire AI-componenten onder beperkte gegevens toegang ontdekt. Onze bevindingen bieden praktische richtlijnen over wanneer hergebruikte LoRAs hoogwaardige resultaten kunnen opleveren. Over de Spreker Mei-Yen Chen is een Senior Data Scientist bij Mercedes-Benz Tech Innovation GmbH in Duitsland met 10 jaar ervaring in de industrie op het gebied van AI en datasystemen. Ze leidt vroege AI-projecten in verschillende bedrijfsfuncties en werkt samen met onderzoeksinstellingen op het gebied van machine learning en verantwoorde AI. Regio Tokens als de Visuele Primitive: Van Herkenning naar Wereldmodellering Patch-gebaseerde tokenisatie is de standaardinterface geworden tussen visie-encoders en downstream-modellen, maar patches dragen geen semantische structuur en schalen slecht met resolutie en temporele uitbreiding. Deze lezing presenteert een onderzoeksprogramma gericht op het vervangen van patchtokens door regio-niveau representaties — semantisch dichte tokens die zijn verankerd in visuele entiteiten in plaats van willekeurige rasterknipsels. Ik zal RELOCATE, REN en T-REN beschrijven, een voortgang van methoden die regio tokens produceren via pooling, ze trainen met regio-niveau doelstellingen, en ze uitbreiden naar video met temporele coherentie. Ik zal vervolgens lopend werk presenteren dat regio tokens integreert in VLM's om de visuele contextcapaciteit rechtstreeks uit te breiden, en voorlopige resultaten over toekomstige regio-trajectorievoorspelling als basis voor wereldmodellering. De bredere stelling is dat regio-niveau tokens een natuurlijker eenheid zijn van visuele berekeningen dan patches, en hun voordeel zich ophoopt naarmate de taakcomplexiteit, resolutie, en temporele horizon toenemen. Over de Spreker Savya Khosla is een tweedejaars Ph.D. student aan de Universiteit van Illinois Urbana-Champaign, geadviseerd door Prof. Derek Hoiem en Prof. Alex Schwing. Het Benutten van Text-To-Image Diffusion Models voor Consistente Set-to-Set Generatie Beeldcollecties zijn de primaire manier voor mensen om de wereld vast te leggen, maar de vooruitgang in generatieve bewerking blijft grotendeels niet toepasbaar op deze modus. We adresseren deze kloof door Match-and-Fuse in te voeren - een zero-shot, training-vrije methode voor consistente set-to-set generatie vanuit beeldcollecties die een gemeenschappelijk visueel element delen, maar verschillen in gezichtspunt, opname tijd, en omringende inhoud. Ons belangrijke idee is een verenigd graf-gebaseerd kader dat dichte overeenkomsten combineert met een opkomende prior in text-to-image diffusion models om coherente doeken te genereren. We bereiken state-of-the-art consistentie en visuele kwaliteit, en ontgrendelen nieuwe creatieve mogelijkheden voor inhoud generatie. Over de Spreker Kate Feingold is een PhD-student in Computer Vision aan het Weizmann Institute of Science. Haar onderzoek bevindt zich op het snijpunt van generatieve modellen, 3D/4D waarneming, en multimodaal leren, met een focus op problemen waar visie andere modaliteiten of paradigma's in creatieve taken ontmoet. Oogstvoorspelling van Koffie in een Dichteomgeving Deze presentatie biedt een gedetailleerde workflow met betrekking tot de oogstvoorspelling van koffie in een dichte omgeving. Met foto's van koffieplanten voor de oogst van een paar koffieplantages, details omtrent voorbewerking, annotatie om regio's van belang (ROI) te detecteren, objectdetectietraining en inferentieresultaten met verschillende Yolo-modellen en tenslotte segmentatie met SAM2 en Yolo*-seg met trainings- en inferentieresultaten om de telling van rauwe, onrijpe, rijpe en overrijpe koffie-bessen te bepalen en tenslotte de opbrengst van de gehele plantage. Dit alles is gebaseerd op werelddata vastgelegd op iPhone en Android telefoons. Over de Spreker Raghu M. Rao is een consultant die werkt aan toepassingen van computer vision AI-modellen. Hij was eerder werkzaam bij AMD en Xilinx. Hij heeft een Ph.D. in Draadloze Communicatie van UCLA en is een senior lid van IEEE. Zijn huidige interesses liggen in toepassingen van AI voor landbouw, gezondheidszorg en draadloze communicatie.