Arbeitsgruppe für ''Intelligente Sensorik in der Computergraphik''

Die Arbeitsgruppe für ''Intelligente Sensorik in der Computergraphik'' am Lehrstuhl für Computer­graphik (Priv.-Doz. Dr. Frank Weichert) entwickelt und erforscht innovative Konzepte, Methoden und Lösungen im Kontext der Verarbeitung, Analyse und Visualisierung von Sensor-gestützten Daten. Unter diesem Leitbild werden Sensor-zentrierte Frage- bzw. Problemstellungen behandelt, welche sich in die Gebiete Computersehen, Mustererkennung, Visualisierung, Simulation, Optimierung und Mensch-Maschine-Interaktion einordnen lassen. Übergeordnet betreffen die Themen vielfach kooperative Arbeitsumgebungen, in denen Sensoren, Aktoren (Roboter) und Menschen (inter)agieren.

Profil

Geometrische Repräsentation eines menschlichen Kopfes mit Machine-Learning-Informationen

Forschungdomänen

Entwicklung und Erforschung innovativer Konzepte, Methoden und Lösungen im Kontext der Verarbeitung und Analyse von Sensor-gestützten Daten.

Eine Kompilation von Logos deutsche Forschungsinstitutionen

Forschungsprojekte

Grundlagen- als auch anwen­dungs­orientierte Forschungs­- und Entwicklungs­projekte, Träger-, öffentlich- oder industriell-gefördert

Nahaufnahme des Titelblatts einer Master-Arbeit

Abschlussarbeiten

Abschlussarbeiten (Bachelor-, Master- und Studienarbeiten) zu theoretischen und Anwendungs- bzw. Praxis-orientierten Forschungskontexten

Arbeitsgebiete

Ein Beutel mit Schrauben und überlagerten Bildverarbeitungsinformationen

Visual Computing

Semantische (GPU-basierte) Methoden zur Analyse, Manipulation und Generierung von Bildern, Videos und dreidi­mensionalen Modellen.

Detailaufnahme eines Prototyps des Pamono-Sensors

Intelligente Sensorik

Entwicklung ressourcen­effizienter smarter optischer (Bio-)Sensoren zur intelligenten echtzeit­konformen Daten­prozess­ierung und -analyse.

Bediehnung einer Steuerungssoftware auf einem Tablet

Mensch-Maschine-Interaktion

Ent­wick­lung and Analyse interaktiver Systeme als auch intelligenter teilweise immersiver virtueller Umgebungen

Geometrische Repräsentation eines menschlichen Kopfes mit Machine-Learning-Informationen

(Tiefe) Maschinelle Lernverfahren

Entwicklungen von raum- und zeitabhängigen tiefen (Faltungs-)Netzen, zum Geometric Deep Learning oder End-to-end Representation Learning

Zwei Roboter-Fahrzeuge eines Funktionsdemonstrators.

Cyber-Physical Systems

Methoden zur Netzwerk-gestützen Kolla­bora­tion von Sensoren, Aktoren und eingebettete System­komponenten in kooperativen Netzwerken

Detailaufnahme einer Strömungssimulation eines Blutgefäßes

Graphische Datenver­ar­beitung, Simulation und Visualisierung

Sensor-gestützte Verar­bei­tung, Analyse, Simulation und Visualisierung großer Datenmengen unter Ressourcenlimitierungen