Community

codecentric mittendrin

Meetups, Stammtische, Hackathons, User Groups: Die codecentric ist weit mehr als die Summe ihrer Mitarbeiter und Projekte.

Hinter jeder erfolgreichen Software steht eine starke Community

Wissensvermittlung, Nachwuchsförderung und der fachliche Austausch auf Augenhöhe sind für uns Herzensangelegenheiten. Wir sind der Meinung: Geteilte Innovationsfreude ist doppelte Innovationsfreude.

Deshalb mischen sich codecentric-Mitarbeiter und -Mitarbeiterinnen gerne unter die Community – ob als Gastgeber, Redner oder Organisatoren diverser Veranstaltungen. Treffen Sie uns auf einem der folgenden Events!

Computer Vision Karlsruhe

Computer Vision Karlsruhe

codecentric AG, Gartenstraße, Karlsruhe, Deutschland 12.12.2017 | 19:00

Startschuss der Computer-Vision-Projekte

Bei diesem Meetup wollen wir zunächst ein Brainstorming machen über kreative Möglichkeiten Datasets zu erstellen. Ein Problem bei Deep Learning ist immer: Wo bekomme ich genügend gute Daten her. Ich stelle kurz ein paar „einfach geniale“ Beispiele vor, wie man im Alltag Datasets und daraus Innovationen erzeugen kann. Beispiel:
Man nehme N Farbfilme und konvertiere sie nach Schwarz/Weiss. Jetzt trainiert man ein NN, um aus S/W die ursprünglichen Farben vorher zu sagen – voila ein Tool zum colorieren alter Filme/Bilder. Oder: Man nehme ein Video und schneide einfach x Frames heraus, jetzt trainiert man ein NN, um aus Frame 1 und 3 -> 2 vorherzusagen – so kann man aus einem normalen Video eine Super Slomo machen …

Danach wollen wir konkrete Projekt Ideen auswählen, Gruppen bilden und Aufgaben verteilen. Bislang gab es schon ein paar Vorschläge:

1) Wir bauen einen Bier-Detektor. Warum? Weil es Spaß macht Trainingsdaten zu sammeln? Vielleicht … Auf jeden Fall ist es nicht ganz trivial einen guten Detektor zu bauen. Wir können ein CNN mit TensorFlow bauen oder auch den MMOD Algorithmus von dlib mit HOG und CNN vergleichen. Auf jeden Fall müssen wir Trainingsdaten sammeln, diese labeln, trainieren, detektieren und evaluieren …

2) Der Poker Detektor. Hier müssen wir zunächst die Karten segmentieren und dann die einzelnen Bilder erkennen. Wir können einen klassischen Learning Ansatz wählen oder auch ein NN entwickeln, um das Problem zu lösen. Am Ende können wir noch Gewinnchancen etc. ausgeben

3) weitere Ideen: gerne im Slack melden!

Organisator:

Oliver Moser