24 sep - AI, ML en Computer Vision Meetup

Sluit je aan bij onze virtuele meetup op 24 september om lezingen van experts over toonaangevende onderwerpen in AI, ML en computer vision te horen. Datum, Tijd en Locatie 24 sep 2026 9:00 AM - 11:00 AM PST Online. Registreer voor de Zoom! Hoe Sturen de AI-principes van Mercedes-Benz Onze Innovatie? Bij Mercedes-Benz begeleiden onze AI-principes elke stap van innovatie, waarbij verantwoordelijk gebruik, veiligheid en betrouwbaarheid, verklaarbaarheid en de bescherming van privacy worden benadrukt. Deze principes gaan verder dan uitspraken en vormen actief hoe we AI-systemen ontwerpen, testen en implementeren in de echte wereld van de automotive en ondernemingen. In deze lezing zal ik presenteren hoe deze principes ons recente onderzoek inspireerden over wanneer hergebruik van LoRA (Low-Rank Adaptation) effectief is. Door theoretische analyse te combineren met synthetische gegevens als proxy voor bedrijfscontexten, hebben we de sterke en zwakke punten van modulaire AI-componenten onder beperkte toegang tot gegevens onthuld. Onze bevindingen bieden praktische richtlijnen over wanneer hergebruikte LoRAs hoogwaardige resultaten zouden 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 gegevensoplossingen. Ze leidt AI-projecten in een vroeg stadium in verschillende bedrijfsfuncties en werkt samen met onderzoeksinstellingen aan machine learning en verantwoordelijke AI. Regiotokens als de visuele primaire: van herkenning naar wereldmodellering Patchgebaseerde tokenisatie is de standaardinterface geworden tussen visie-encoders en downstream-modellen, maar patches dragen geen semantische structuur en schalen slecht met resolutie en temporele omvang. Deze lezing presenteert een onderzoeksprogramma dat is gericht op het vervangen van patchtokens door vertegenwoordigingen op regi-niveau - semantisch dichte tokens die zijn verankerd in visuele entiteiten in plaats van willekeurige rasterSnedes. Ik zal RELOCATE, REN en T-REN beschrijven, een reeks methoden die regi-tokens produceren via pooling, ze trainen met doelstellingen op regi-niveau, en ze uitbreiden naar video met temporele samenhang. Vervolgens zal ik lopend werk presenteren dat regi-tokens integreert in VLM's om de visuele contextcapaciteit direct uit te breiden, en voorlopige resultaten over toekomstige regi-trajectvoorspelling als basis voor wereldmodellering. De bredere stelling is dat tokens op regi-niveau een natuurlijker eenheid van visuele verwerking zijn dan patches, en hun voordeel zich opstapelt 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, onder begeleiding van Prof. Derek Hoiem en Prof. Alex Schwing. Text-To-Image Diffusiemodellen Leverage voor Consistente Set-to-Set Generatie Beeldencollecties zijn de primaire manier waarop mensen de wereld vastleggen; echter, vooruitgangen in generatieve bewerking blijven grotendeels niet toepasbaar op deze modaliteit. We adresseren deze kloof door Match-and-Fuse te introduceren - een zero-shot, training-vrije methode voor consistente set-to-set generatie vanuit beeldencollecties die een gemeenschappelijk visueel element delen, maar verschillen in gezichtspunt, vastleg tijd en omringende inhoud. Onze belangrijkste idee is een verenigd op grafiek gebaseerd raamwerk dat dichte overeenkomsten combineert met een opkomende prior in text-to-image diffusiemodellen om coherente canvassen te genereren. We bereiken state-of-the-art consistentie en visuele kwaliteit, en ontgrendelen nieuwe creatieve mogelijkheden voor inhoudgeneratie. 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 perceptie en multimodale leren, met de focus op problemen waarbij visie ontmoet andere modaliteiten of paradigma's in creatieve taken. Oogstschatting van Koffie in een Dichte Omgeving Deze presentatie biedt een gedetailleerde workflow met betrekking tot de oogstschatting van koffie in een dichte omgeving. Met foto's van koffieplanten vóór de oogst van enkele koffie-estates, details met betrekking tot voorverwerking, annotatie om regio's van belang (ROI) te detecteren, objectdetectietraining en inferentie-resultaten met verschillende Yolo-modellen en tenslotte segmentatie met SAM2 en Yolo*-seg met training en inferentieresultaten om het aantal rauwe, onverharde, rijpe en overrijpe koffiebessen te bepalen en tenslotte de opbrengst van het gehele estate. Dit alles is gebaseerd op echte gegevens die zijn 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 Member van IEEE. Zijn huidige interesses liggen in toepassingen van AI voor landbouw, gezondheidszorg en draadloze communicatie.