Dhruva Kumar Ramireddy

Architektur einer Echtzeit-Mapping-Pipeline für autonome Bahnsysteme mit LiDAR- und Kameradaten. Annotation von 40.000+ Frames; YOLOv12-Detection mit 94,4% mAP. Entwicklung einer Low-Latency- LiDAR-Pipeline zur 3D-Punktwolkenverarbeitung. Aufbau eines MQTT-Backends und einer SpatiaLite- Datenbank für Georeferenzierung (UTM-WGS84). Projektkoordination über 3+ universitäre und industrielle Partner; dynamische Kartenvisualisierung mit QGIS.

YOLOv8-Pose Keypoint-Detection-System zur Verkehrsschildlokalisierung mit einer Kamera, 50 cm MAE, validiert gegen Pinhole-Modell. Aufbau einer End-to-End MLOps-Pipeline: Datenaufnahme, GPU-Training, Experiment-Tracking mit MLflow, DVC-Versionierung. Feldtest-Datensatz via RTSP/ GStreamer; QA mit FiftyOne. Containerisierung mit Docker; Modellexport zu ONNX/TensorRT für Edge-AI-Deployment.

- Optimierung der Objekterkennungs-Datenpipeline durch Automatisierung der Datenbereinigung für 35.000+ Bilder, 20% Reduzierung der manuellen Vorverarbeitungszeit - Augmentierung von 35.000+ Bildern von Straßeninfrastruktur mittels Transformationen und synthetischen Techniken; Verwaltung versionierter Datensätze auf lakeFS und S3 - Aufbau interaktiver Qualitäts-Dashboards mit FiftyOne, 20% Reduzierung der Review-Zyklen

- Entwicklung und Evaluierung CNN-basierter semantischer Segmentierungsmodelle (TensorFlow/Keras) auf dem CamVid-Datensatz, 77% mean IoU — 5% Verbesserung gegenüber Baseline - Anwendung von Datenaugmentierung und Preprocessing-Pipelines zur Verbesserung der Modell-Generalisierung - Mitwirkung an technischen Berichten; Präsentation der Ergebnisse vor akademischen Betreuern

Successfully graduated with grade: 2.0

Transferred to masters in computer science after completing first year coursework with grade 2.0

Graduated in First Class with 79.27%