Entwickelte ein auf Convolutional Neural Network (ConvNet) basierendes Modell, das eine Genauigkeit von 95% bei der Verkehrszeichenerkennung und -klassifizierung erreichte.
Erstellte und verglich die Leistung von drei verschiedenen Modellen zur Klassifizierung von Patentanmeldungen. Die ersten beiden Modelle nutzen unterschiedliche Wortrepräsentationen, während das dritte auf einem vortrainierten Sprachmodell basiert.
Die Genauigkeit verbesserte sich deutlich – von 60% mit dem Basismodell (mit GloVe-Embeddings) auf 88% mit dem vortrainierten Modell.
Tiefeninformationen werden aus RGB-Bildern mithilfe von Generative Adversarial Networks (GANs) extrahiert. Der Generator folgt einer Encoder-Decoder-Architektur. Ein vortrainiertes EfficientNet-Modell wird als Encoder-Backbone zur Merkmalsextraktion verwendet, während der Decoder als vollständig konvolutionales neuronales Netzwerk implementiert ist.
Im ersten Ansatz werden Conditional GANs (CGANs) überwacht trainiert, indem einzelne RGB-Bilder mit den entsprechenden tatsächlichen Tiefenkarten für Training und Test gepaart werden.
Der zweite Ansatz nutzt eine GAN-basierte Architektur, die unüberwacht mit Stereo-Bildpaaren ohne tatsächliche Tiefenkarten trainiert wird; zur Testzeit werden nur einzelne RGB-Bilder mit ihren entsprechenden Tiefenkarten verwendet.
Entwickelt mit dem PyTorch-Framework.
Sprachen
Arabisch
Muttersprache
Englisch
Verhandlungssicher
Französisch
Verhandlungssicher
Deutsch
Fortgeschritten
Ausbildung
Okt. 2018 - Feb. 2022
Universität Passau
Master-Abschluss · Informatik · Passau, Deutschland
Okt. 2014 - Aug. 2017
École Pluridisciplinaire Internationale Sousse
Ing. · Elektrotechnik · Sousse, Tunesien
Sept. 2011 - Juni 2014
Institut Supérieur d'Informatique et Mathématiques
Bachelor-Abschluss · Elektronik und Kommunikationstechnik · Monastir, Tunesien
Sie suchen Freelancer?Passende Kandidaten in Sekunden!