24 de Set - Meetup de IA, ML e Visão Computacional

Participe do nosso meetup virtual no dia 24 de setembro para ouvir palestras de especialistas sobre tópicos de ponta em IA, ML e visão computacional. Data, Hora e Localização 24 de setembro, 2026 09:00 - 11:00 PST Online. Inscreva-se para o Zoom! Como os Princípios de IA da Mercedes-Benz Impulsionam Nossa Inovação? Na Mercedes-Benz, nossos Princípios de IA orientam cada passo da inovação, enfatizando o uso responsável, segurança e confiabilidade, explicabilidade e a proteção da privacidade. Esses princípios vão além de declarações e moldam ativamente como projetamos, testamos e implantamos sistemas de IA em ambientes automotivos e empresariais do mundo real. Nesta palestra, apresentarei como esses princípios inspiraram nossa pesquisa recente sobre quando a reutilização de LoRA (Adaptação de Baixa Classificação) é eficaz. Ao combinar análise teórica com dados sintéticos como um proxy para cenários empresariais, descobrimos as forças e limitações dos componentes de IA modulares sob acesso de dados restrito. Nossas descobertas oferecem orientação prática sobre quando LoRAs reutilizados poderiam fornecer resultados de alta qualidade. Sobre a Palestrante Mei-Yen Chen é Cientista de Dados Sênior na Mercedes-Benz Tech Innovation GmbH na Alemanha, com 10 anos de experiência na indústria em IA e soluções de dados. Ela lidera projetos de IA em fase inicial em diversas funções de negócios e colabora com instituições de pesquisa em aprendizado de máquina e IA responsável. Tokens de Região como o Primitivo Visual: Do Reconhecimento à Modelagem do Mundo A tokenização baseada em patches tornou-se a interface padrão entre codificadores de visão e modelos downstream, no entanto, os patches não possuem estrutura semântica e escalam mal com resolução e extensão temporal. Esta palestra apresenta um programa de pesquisa centrado na substituição de tokens de patch por representações em nível de região — tokens semanticamente densos ancorados em entidades visuais ao invés de cortes de grade arbitrários. Descreverei RELOCATE, REN e T-REN, uma progressão de métodos que produz tokens de região por meio de pooling, os treina com objetivos em nível de região, e os estende para vídeo com coerência temporal. Em seguida, apresentarei trabalhos em andamento integrando tokens de região em VLMs para expandir diretamente a capacidade de contexto visual, e resultados preliminares sobre previsão de trajetória de região futura como uma base para modelagem de mundo. A tese mais ampla é que tokens em nível de região são uma unidade de computação visual mais natural do que patches, e sua vantagem se acumula à medida que aumenta a complexidade da tarefa, a resolução e o horizonte temporal. Sobre a Palestrante Savya Khosla é uma estudante de doutorado no segundo ano na Universidade de Illinois Urbana-Champaign, orientada pelo Prof. Derek Hoiem e Prof. Alex Schwing. Aproveitando Modelos de Difusão Texto-para-Imagens para Geração Consistente de Conjunto para Conjunto Coleções de imagens são a principal forma dos humanos capturarem o mundo, no entanto, os avanços na edição generativa permanecem em grande parte inaplicáveis a essa modalidade. Abordamos essa lacuna apresentando Match-and-Fuse - um método de geração consistente de conjunto para conjunto a partir de coleções de imagens que compartilham um elemento visual comum, mas diferem em ponto de vista, tempo de captura e conteúdo circundante. Nossa ideia principal é uma estrutura unificada baseada em grafos que combina correspondências densas com um prior emergente em modelos de difusão texto-para-imagem para gerar telas coerentes. Alcançamos consistência e qualidade visual de estado da arte e desbloqueamos novas capacidades criativas para geração de conteúdo. Sobre a Palestrante Kate Feingold é estudante de doutorado em Visão Computacional no Instituto Weizmann de Ciências. Sua pesquisa está na interseção de modelos generativos, percepção 3D/4D e aprendizado multimodal, focando em problemas onde a visão encontra outras modalidades ou paradigmas em tarefas criativas. Estimativa de Rendimento de Café em um Ambiente Denso Esta apresentação fornece um fluxo de trabalho detalhado relacionado à estimativa de rendimento de café em um ambiente denso. Com fotos de plantas de café pré-colheita de algumas fazendas de café, detalhes relacionados ao pré-processamento, anotação para detectar regiões de interesse (ROI), treinamento de detecção de objetos e resultados de inferência com vários modelos Yolo e, finalmente, segmentação com SAM2 e Yolo*-seg com resultados de treinamento e inferência para determinar a contagem de grãos de café crus, imaturos, maduros e sobremaduros e, finalmente, o rendimento de toda a propriedade. Tudo isso é baseado em dados do mundo real capturados em iPhone e telefones Android. Sobre o Palestrante Raghu M. Rao é consultor trabalhando em aplicações de modelos de IA de visão computacional. Ele trabalhou anteriormente na AMD e Xilinx. Ele possui um Ph.D. em Comunicações Sem Fio pela UCLA e é Membro Sênior da IEEE. Seus interesses atuais estão em aplicações de IA para agricultura, saúde e comunicações sem fio.