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

Participe do nosso meetup virtual em 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 de 2026, das 9h00 às 11h00 PST Online. Registre-se para o Zoom! Como os Princípios de IA da Mercedes-Benz Orientam Nossa Inovação? Na Mercedes-Benz, nossos Princípios de IA orientam cada etapa da inovação, enfatizando o uso responsável, segurança e confiabilidade, explicabilidade e proteção da privacidade. Esses princípios vão além de declarações e moldam ativamente como projetamos, testamos e implantamos sistemas de IA em cenários automotivos e empresariais do mundo real. Nesta palestra, apresentarei como esses princípios inspiraram nossa pesquisa recente sobre quando a reutilização do LoRA (Adaptação de Baixa Classificação) é eficaz. Ao combinar análise teórica com dados sintéticos como um proxy para cenários empresariais, descobrimos os pontos fortes e as limitações dos componentes de IA modulares sob acesso a dados restrito. Nossos achados fornecem orientações práticas sobre quando LoRAs reutilizados poderiam oferecer 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 estágio inicial em várias funções empresariais e colabora com instituições de pesquisa em aprendizado de máquina e IA responsável. Tokens de Região como o Primitivo Visual: Da Reconhecimento à Modelagem do Mundo A tokenização baseada em patches tornou-se a interface padrão entre codificadores de visão e modelos de downstream, no entanto, patches não carregam 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 fundamentados em entidades visuais em vez de recortes de grade arbitrários. Descreverei o RELOCATE, REN e T-REN, uma progressão de métodos que produzem tokens de região por meio de pooling, os treinam com objetivos em nível de região e os estendem para vídeo com coerência temporal. Em seguida, apresentarei o trabalho 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 do 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 a complexidade da tarefa, resolução e horizonte temporal aumentam. Sobre a Palestrante Savya Khosla é 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 Coerente de Conjuntos 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 introduzindo Match-and-Fuse - um método de zero-shot e sem treinamento para geração consistente de conjuntos a partir de coleções de imagens que compartilham um elemento visual comum, mas diferem em ângulo de visão, tempo de captura e conteúdo circundante. Nossa ideia principal é uma estrutura unificada baseada em grafo 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 situa-se na interseção de modelos generativos, percepção 3D/4D e aprendizado multimodal, concentrando-se 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 iPhones e celulares Android. Sobre o Palestrante Raghu M. Rao é consultor trabalhando em aplicações de modelos de IA em visão computacional. Ele trabalhou anteriormente na AMD e na Xilinx. Ele possui um Ph.D. em Comunicações Sem Fio pela UCLA e é membro sênior da IEEE. Seus interesses atuais estão nas aplicações de IA para agricultura, saúde e comunicações sem fio.