Spurerkennungs-Lab für Tier-1-Zulieferer im Raum Stuttgart
Übersicht
Worum es bei diesem Projekt geht.
Sie arbeiten mit dem öffentlichen TuSimple-Spurerkennungs-Datensatz (rund 6.000 annotierte Bilder). Trainieren Sie zwei Architekturen: (1) ein klassisches CNN mit Spline-Regression, (2) ein moderneres Transformer-basiertes Modell wie LaneATT oder eine eigene leichte Variante. Vergleichen Sie F1-Spurpunkt-Genauigkeit, FPS auf einer Consumer-GPU und qualitative Robustheit bei Regen + Nachtaufnahmen. Liefern Sie zwei reproduzierbare Trainingsläufe plus einen 6-seitigen Lab-Report im IEEE-Stil. Erfolg ist nicht der höchste F1, sondern ein vollständig nachvollziehbarer wissenschaftlicher Vergleich.
Das Briefing
Was Du tust und was Du zeigst.
Welcher Vergleichsbefund zwischen klassischer CNN-Spurerkennung und einem transformer-basierten Ansatz lässt sich auf TuSimple replizierbar zeigen?
Earning criteria — what you'll demonstrate
- Zwei Modellfamilien auf demselben Vision-Datensatz fair vergleichen
- Eine Ablations-Studie planen und auswerten
- Forschungsergebnisse im wissenschaftlichen Schreibstil dokumentieren
- Qualitative Robustheits-Analyse jenseits der Hauptmetrik durchführen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenML-Forscher:in
Ablations-Design, fairer Modellvergleich und ein IEEE-Report sind das Handwerkszeug, das Junior-ML-Researcher in industrienahen Labs vom ersten Projekt an liefern müssen.
Dieses Projekt schärft
- research-methodology
- ablation-study
- lane-detection
Forschungswissenschaftler:in
Wer einen replizierbaren Vergleich zweier Architekturen sauber dokumentiert, übt genau das Format, das auf Workshop-Tracks und in Industrie-Labs erwartet wird.
Dieses Projekt schärft
- research-methodology
- reproducibility
- pytorch
Computer-Vision-Ingenieur:in
Spurerkennung ist Brot-und-Butter-CV-Arbeit; die Erfahrung mit zwei Architektur-Familien auf demselben Datensatz beschleunigt den Einstieg in jedes Automotive-Perception-Team.
Dieses Projekt schärft
- computer-vision
- pytorch
- lane-detection
Noch eine Sache