Computer Vision Engineer

1/2024 – offen

Entwickelte eine robuste Trainingspipeline unter Verwendung von Databricks für Objekterkennungs- und semantische Segmentierungsaufgaben, speziell zugeschnitten auf Time-of-Flight (ToF) Kamerabilder, um Hindernisse zu erkennen. Integrierte den Inferenzprozess in ein C++-Projekt für Reinigungsroboter, optimiert für die Arm64-Prozessorarchitektur, um Hinderniserkennungs- und -vermeidungsfunktionen zu erleichtern.

Forschung & Entwicklung (allg.)

2/2022 – 1/2024

Entwickelte und implementierte fortschrittliche Deep-Learning-Modelle für:

Gesichtserkennung und Anti-Gesichts-Spoofing unter Verwendung von Thermal- und RGB-Bildern
Trainierte semantische Segmentierungsmodelle für präzise Hintergrundentfernung in Porträtaufnahmen von Menschen
Entwickelte Objekterkennungsmodelle zur Identifizierung von Schäden in Reisepässen
Verwendete Frameworks wie TensorFlow, PyTorch und OpenCV. Die Modelle wurden über Docker-Container bereitgestellt und gRPC- und REST-APIs sowie C++-Bibliotheken zur Verfügung gestellt. Die MLOps-Pipelines wurden unter Verwendung von MLFlow, LakeFs und Flyte verwaltet. Azure-Cloud-Technologien wurden für effizientes Modelltraining eingesetzt. In Zusammenarbeit mit interdisziplinären Teams wurden Computer-Vision-Funktionen in verschiedene Projekte integriert, was zu verbesserten Produktmerkmalen führte.

Forschung & Entwicklung (allg.)

12/2018 – 2/2022

Entwickelte Robotic Process Automation (RPA)-Lösungen für Unternehmen im Rahmen freiberuflicher Tätigkeit.
Verwendete Python und TensorFlow für das Training von Deep-Learning-Modellen zur Objekterkennung.
Nutzte C++ und C# zur Entwicklung von Robotic Process Automation (RPA)-Lösungen.
Deployment sowohl lokal (on-premises) als auch in der Azure Cloud.

Forschung & Entwicklung (allg.)