Maria Lyssenko

Topic "Leveraging Domain Knowledge for Deep Neural Network Safety in Automated Driving" in corporation with TU Munich (Chair of Computer Vision & AI) and DLR

Titel: Quantitative Investigation of Data Quality Aspects on CNN-based Visual Perception in Automated Driving

Ziel: Quantifizierung von Bildqualität anhand von Low-Level Image Features Umsetzung eines Frameworks zur statistischen Bildanalyse in Python, Untersuchung von Bilddatensätzen durch Merkmalsextraktion zur Kontur- & Texturanalyse, Verwendung des klassischen Machine Learnings zur Auswahl relevanter Features, Einarbeitung in CNN-basierte Gütekriterien.

Absicherung im Computer Vision Bereich mittels Durchführung von Studien, wie der intrinischen Kalibrierung einer Fisheye-Optik, Entwicklung von Tools zur Visualisierung von Flussmasken & der TopView-Darstellung der Fahrzeugumgebung zur Validierung der extrinischen Kalibrierung.

Ziel: Erkennung & Lokalisierung von Türklinken in Punktwolkenaufnahmen. Datenverarbeitung mittels PCL, ROS & RVIZ in C++ als Vorbereitung für den 3D-basierten Template Matching Ansatz, parallele Absicherung durch merkmalsbasierte Tiefenbildklassifikation mittels OpenCV.

Auslandspraktikum in Plymouth, Michigan, USA. Ziel: Studie & Implementierung von Machine Learning Verfahren zur Ampelpfeilklassfikationn. Umsetzung einer Toolchain zur automatisierten Datenaufbereitung von GT, Extraktion und Kombination der Handcraftet Image Features, anschließendes Training, Test & Evaluierung von Klassifikatoren.

Entwicklung einer Simulationsumgebung zur Evaluierung von Bildsensoren, Vorbereitung & Durchführung von Messreihen & deren Auswertung, Optimierung von Auswertealgorithmen, Automatisierung der Mess- & Evaluierungsroutinen mittels OOP & GUI-Entwicklung, Datenbankprogrammierung.

Titel: Objekt- und Umgebungserkennung an einem hydraulischen Modellbagger: Kamerakalibration, 2D-Bildaufnahme, Bildverarbeitung/Computer Vision, Objektdetektion, tiefenbasierte 3D-Rekonstruktion, Koordinatentransformation zur relativen Lagebestimmung der erkannten Objekte

Genauigkeitsanalyse von RGB-D Sensoren, Durchführung & Auswertung von photogrammetrischen Messreihen, Kamerakalibration von Mono- & Stereosystemen, Simmulationsprogrammierung zur Optimierung eines Kalibrationstargets, Rekonstruktion von Objekten mittels eines industriellen CTs, sowie Messungssimulation in Scorpius XLab.