Informatiker | Deep Learning für Fernerkundung | Semantische Segmentierung | Computer Vision

3/2025 – offen

Entwicklung und Bewertung von Deep-Learning-Modellen für hochauflösende SEM- und TEM-Bilder, Abdeckung des gesamten Prozesses von der Datenaufbereitung und Modellentwicklung bis hin zu Validierung und Dokumentation. Training und Feinabstimmung modernster Segmentierungsmodelle wie Mask R-CNN, YOLOv11, SAM2 und SAM3, wodurch eine 20%ige Verbesserung der Erkennungsgenauigkeit durch systematische Hyperparameteroptimierung erreicht wurde. Entwicklung von Pipelines zur Generierung synthetischer Daten, um die Modellgeneralisierung zu verbessern und Überanpassung um 35% zu reduzieren. Aufbau skalierbarer, containerisierter Trainings- und Bewertungsworkflows mit Python, PyTorch und Docker auf AWS-Infrastruktur, Optimierung der Inferenzlatenz um 40% für großflächige, hochauflösende Datensätze. Implementierung fortschrittlicher Datenaugmentations- und Vorverarbeitungstechniken für anspruchsvolle Bildgebungsbedingungen wie Rauschen, niedrigen Kontrast und variierende Beleuchtung. Zusammenarbeit mit interdisziplinären Forschungs- und Engineering-Teams, Lieferung von Ergebnissen mit klarer Dokumentation und reproduzierbaren Workflows.

Python, Pytorch, Docker, Computer Vision

7/2023 – 2/2025

Entwurf und Einsatz von Echtzeit-Mehrsensor-Wahrnehmungssystemen für autonome Plattformen, Erreichen einer Erkennungsgenauigkeit von 92% durch optimierte Deep-Learning-Pipelines mit CNNs und Transformer-basierten Architekturen. Entwicklung von ROS2-basierten Wahrnehmungsknoten für synchronisierte Mehrkamera-Streams auf Jetson-Embedded-Hardware, Erreichen einer Inferenzlatenz von unter 200 ms mit GPU-optimiertem Model-Serving. Implementierung von U-Net-basierten Bildverbesserungspipelines für degradierte Bildgebungsbedingungen, Verbesserung der mAP50 für die Objekterkennung um 15% durch benutzerdefinierte Vorverarbeitung und Modelloptimierung. Optimierung von PyTorch-Modellen für die Produktionsbereitstellung mit Fokus auf Inferenzleistung, Speichereffizienz und Genauigkeits-Geschwindigkeits-Trade-offs in ressourcenbeschränkten Umgebungen. Aufbau modularer ML-Komponenten und skalierbarer Datenverarbeitungspipelines, Gewährleistung von Robustheit und Reproduzierbarkeit über verteilte Systeme hinweg. Veröffentlichung einer begutachteten Forschung auf der ICCV 2025 zu skalierbaren, produktionsreifen adaptiven Wahrnehmungssystemen.

Pytorch, Embedded Systems, Computer Vision