- Abschlussarbeiten

Bachelorarbeiten zur barrierefreien Dokumentenerstellung – LaTeX-Import & Export
by Schwarz, Thorsten (ACCESS＠KIT) 19 Feb '25

19 Feb '25

Liebe Studierende, im Rahmen des ACCESS@KIT vergeben wir immer wieder spannende Bachelorarbeiten rund um das Thema Digitale Barrierefreiheit. Diesmal zum Thema LaTeX-Import und (Lua)LaTeX-Export in barrierefreien Dokumenten. Die Arbeiten sind Teil der Weiterentwicklung der Plattform ACDC (ACcessible DoCuments), die Werkzeuge zur Erstellung und Konvertierung barrierefreier Dokumente bereitstellt. Themen & Aufgaben: ✔ Entwicklung eines Moduls zur Analyse und Integration von LaTeX-Dokumenten ✔ Export von barrierefreien (Lua)LaTeX-Dokumenten zur Erzeugung von PDF/UA ✔ Umsetzung von Struktur- und Barrierefreiheitsanforderungen aus und in (Lua)LaTeX-Dokumenten (z. B. Überschriften, Listen, Formeln) ✔ Evaluation der Funktionalität mit Testdokumenten Voraussetzungen: 🔹 Erfahrung mit LaTeX, idealerweise LuaLaTeX 🔹 Interesse an Barrierefreiheit & assistiven Technologien 🔹 Grundkenntnisse in der Softwareentwicklung & Dokumentenkonvertierung (z.B. Java) Warum mitmachen? 💡 Praktische Anwendung in einem wichtigen Inklusionsprojekt 💡 Zugang zu spezialisierten Ressourcen & Testumgebungen 💡 Betreuung durch das ACCESS@KIT-Team Interesse oder Fragen? Melde dich gerne bei Dr. Thorsten Schwarz unter thorsten.schwarz(a)kit.edu. Wir freuen uns auf deine Anfrage! Viele Grüße Thorsten Schwarz Karlsruher Institut für Technologie (KIT) | ACCESS@KIT - Zentrum für digitale Barrierefreiheit und Assistive Technologien Dr. Thorsten Schwarz Adenauerring 10 Geb. 50.28 - InformatiKOM 2 D-76131 Karlsruhe Tel: +49 (0) 721 608 46888 Fax: +49 (0) 721 608 42020 E-Mail: thorsten.schwarz(a)kit.edu <mailto:thorsten.schwarz@kit.edu> Web: http://www.access.kit.edu <http://www.access.kit.edu/> Sitz der Körperschaft: Kaiserstraße 12, 76131 Karlsruhe KIT – Die Forschungsuniversität in der Helmholtz-Gemeinschaft

1 0

Bachelor/Master Thesis at Fraunhofer IGD (Computer Vision for Biometrics)
by Ozgur, Guray 03 Feb '25

03 Feb '25

We are advertising several thesis positions, please see below. Best regards, Guray --------------------------------------------------------------------------------------------------------------------- Contact@Fraunhofer IGD: Guray Ozgur (guray.ozgur(a)igd.fraunhofer.de<mailto:guray.ozgur@igd.fraunhofer.de>). Competence Center Smart Living and Biometric Technologies, Fraunhofer IGD Motivation: Biometrics is a rapidly growing technology that aims to identify or verify people's identities based on their physical or behavioral properties. Different aspects of biometric technology are active research fields. Enhancing the accuracy of biometric comparisons, securing the biometric templates, managing fast searches in biometric databases, and detecting different attacks on biometric systems, are all essential advancements to enable a wider and more secure deployment of the technology. Most biometric systems are based on image analyses. Therefore, exciting challenges in the computer vision domain are inherited by biometric systems. Such challenges are related to miniature deep learning networks, explainable decisions, and domain adaption. Our team is offering several open thesis positions to tackle these challenges. Interested students from Computer Science, Data Science, Physics, Statistics, and Mathematics are encouraged to apply. The exact details of the thesis topic can be built on the available topics and the competencies and interests of the student. The thesis: The goal of the thesis is to perform state-of-the-art research in computer vision and machine learning for biometrics applications. The exact topic description can be tailored based on the research direction and student interests. The topics can target one of the following domains: * Robust Face Recognition: Explore novel methods to enhance face recognition performance in challenging conditions, such as varying lighting, pose, and occlusion. Develop strategies to train robust biometric systems in the presence of noisy or incomplete data, improving real-world performance. * Knowledge Distillation: Investigate techniques to compress complex biometric models while preserving accuracy, enabling efficient deployment on resource-constrained devices. * Uncertainty Quantification: Focus on methods to estimate and represent the uncertainty associated with biometric predictions, leading to more reliable systems. * Explainability: Work on developing explainable AI techniques for biometric systems, enhancing transparency and trust in these critical technologies. * Fairness: Address the critical issue of fairness in biometric systems by developing methods to mitigate bias and ensure equitable performance across different demographic groups. Required skills: Interest in machine learning and computer vision, good programming skills (Python). Study programs: Computer Science, Data Science, Physics, Statistics, and Mathematics Contact: Guray Ozgur (guray.ozgur(a)igd.fraunhofer.de<mailto:guray.ozgur@igd.fraunhofer.de>) Key literature: [1] Boutros, Fadi, et al. "Elasticface: Elastic margin loss for deep face recognition." Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. 2022. [2] Boutros, Fadi, et al. "CR-FIQA: face image quality assessment by learning sample relative classifiability." Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2023. [3] Boutros, Fadi, et al. "Idiff-face: Synthetic-based face recognition through fizzy identity-conditioned diffusion model." Proceedings of the IEEE/CVF International Conference on Computer Vision. 2023. [4] Damer, Naser, et al. "Privacy-friendly synthetic data for the development of face morphing attack detectors." Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2022. [5] Kolf, Jan Niklas, et al. "Identity-driven three-player generative adversarial network for synthetic-based face recognition." Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2023. ---------------------------------------------------------------------------------------------------------------------

1 0

Bachelorarbeit/Masterarbeit Machine-Learning-Robustheit am FZI
by Mine Felder 30 Jan '25

30 Jan '25

Liebe Studierende, als Forschungszentrum Informatik freuen wir uns, eine neue Stellenausschreibung für eine Abschlussarbeit mit dem Thema Machine-Learning Robustheit in industriellen Anwendungsfällen. Die Details über die Stellefindet ihr unter: Link zur Ausschreibung https://karriere.fzi.de/Vacancies/1127/Description/1 Art Bachelorarbeit Masterarbeit Betreuer Martin Trat (FZI) und Prof. Jivka Ovtcharova (mögliche Gutachterin für KIT-Studierende) Stichwörter Big Data and Service Science Maschinelles Lernen Produktion und Logistik Liebe Grüße Mine Felder ......................................................... Mine Felder, M.Sc. Wissenschaftliche Mitarbeiterin | Research Scientist Intelligent Systems and Production Engineering (ISPE) Process & Data Management in Engineering (PDE) FZI Forschungszentrum Informatik Haid-und-Neu-Str. 1014 76131 Karlsruhe, Germany Tel.: +49 721 9654-503 <mailto:felder@fzi.de> felder(a)fzi.de | <https://www.fzi.de/team/mine-felder> https://www.fzi.de/team/mine-felder <http://www.fzi.de/> www.fzi.de | <http://www.twitter.com/FZI_official> www.twitter.com/FZI_official | <http://www.linkedin.com/company/fzi-official> www.linkedin.com/company/fzi-official | <http://www.youtube.com/FZIchannel> www.youtube.com/FZIchannel ......................................................... FZI Forschungszentrum Informatik Stiftung des bürgerlichen Rechts Stiftung Az: 14-0563.1 Regierungspräsidium Karlsruhe Vorstand: Prof. Dr. Stefan Nickel, Jan Wiesenberger, Prof. Dr.-Ing. J. Marius Zöllner Vorsitzender des Kuratoriums: Prof. Dr.-Ing. Holger Hanselka .........................................................

1 0

Abschlussarbeit zum Thema "Cell Segmentation in Imaging Flow Cytometry" am Institut für Automation und angewandte Informatik
by Yamachui Sitcheu, Angelo Jovin (IAI) 19 Dez '24

19 Dez '24

Liebe StudentInnen, Die bildgebende Durchflusszytometrie kombiniert die Leistung von Mikroskopie und Durchflusszytometrie, wodurch eine Hochdurchsatzdarstellung einzelner Zellen in Suspension ermöglicht wird. Diese Technologie revolutioniert die Zellanalyse und liefert detaillierte Einblicke in die zelluläre Morphologie und phänotypische Eigenschaften. Dies setzt aber eine sehr gute Segmentierung der einzelnen Zellen voraus. Aufgaben umfassen unteranderem: Literaturrecherche zum Stand der Technik im Bereich Zellsegmentierung Verbesserung vorhandener Ansätze Benchmarking unterschiedlicher Ansätze Ablation Studien Mitzubringen (am besten) sind: Studium in Informatik/Ingenieurwesen, Biomedizinische Technik oder verwandte Bereiche Grundkenntnisse in Deep Learning und Bildverarbeitung Erfahrung mit Programmierung in Python Erfahrung mit Bildverarbeitungsbibliotheken in Python wie OpenCV. Erfahrung mit Python-basierten Deep Learning Frameworks (PyTorch, JAX oder TensorFlow) Benefits: Einarbeitung Home-Office möglich Sprache Deutsch / Englisch Interessant für Sie? Bitte senden Sie eine E-Mail mit Ihrem Lebenslauf und Motivationsschreiben an die untenstehende Kontaktperson. Karlsruhe Institute of Technology (KIT) Institute for Automation and Applied Informatics (IAI) Automated Image and Data Analysis (AIDA) Machine Learning for Time Series and Images (ML4TIME) Angelo Jovin Yamachui Sitcheu, M.Sc. Hermann-von-Helmholtz-Platz 1 Building 449, Room 330 76344 Eggenstein-Leopoldshafen Phone: +49 721 608 25755 E-Mail: angelo.sitcheu(a)kit.edu Web: https://www.iai.kit.edu/ KIT - The Research University in the Helmholtz Association

1 0

Abschlussarbeit zum Thema "Cell Contrastive Learning in Imaging Flow Cytometry" am Institut für Automation und angewandte Informatik
by Yamachui Sitcheu, Angelo Jovin (IAI) 19 Dez '24

19 Dez '24

Liebe StudentInnen, Imaging Flow Cytometry kombiniert die Leistungsfähigkeit der Hochdurchsatz-Durchflusszytometrie mit detaillierter Bildgebung, um einzelne Zellen in einem beispiellosen Ausmaß zu analysieren. Mit der Explosion von Daten, die diese Technik erzeugt, bietet „Self-supervised Learning“ einen innovativen Ansatz, um nicht beschriebene Daten zu nutzen und sinnvolle Muster und Einblicke, ohne umfangreiche manuelle Anmerkungen aufzudecken. Eine Möglichkeit hier ist „Contrastive Learning“ auf Zellebene zu untersuchen. Aufgaben umfassen unteranderem: Literaturrecherche zum Stand der Technik im Bereich „Representation Learning“ für Bilddaten Verbesserung vorhandener Ansätze Benchmarking unterschiedlicher Ansätze Ablation Studien Mitzubringen (am besten) sind: Studium in Informatik/Ingenieurwesen, Biomedizinische Technik oder verwandte Bereiche Grundkenntnisse in Deep Learning und Bildverarbeitung Erfahrung mit Programmierung in Python Erfahrung mit Bildverarbeitungsbibliotheken in Python wie OpenCV. Erfahrung mit Python-basierten Deep Learning Frameworks (PyTorch, JAX oder TensorFlow) Benefits: Einarbeitung Home-Office möglich Sprache Deutsch / Englisch Interessant für Sie? Bitte senden Sie eine E-Mail mit Ihrem Lebenslauf und Motivationsschreiben an die untenstehende Kontaktperson. Karlsruhe Institute of Technology (KIT) Institute for Automation and Applied Informatics (IAI) Automated Image and Data Analysis (AIDA) Machine Learning for Time Series and Images (ML4TIME) Angelo Jovin Yamachui Sitcheu, M.Sc. Hermann-von-Helmholtz-Platz 1 Building 449, Room 330 76344 Eggenstein-Leopoldshafen Phone: +49 721 608 25755 E-Mail: angelo.sitcheu(a)kit.edu Web: https://www.iai.kit.edu/ KIT - The Research University in the Helmholtz Association

1 0

Multiple Open Master Thesis Topics at KleinLab - Methods for Big Data (SCC)
by Kassem Sbeyti, Moussa (SCC) 12 Dez '24

12 Dez '24

Dear Students, We are pleased to announce open Masters thesis topics in the area of Statistics and Deep Learning. If you are interested in exploring innovative research and working closely with our team at SCC, we encourage you to apply. For more information about the available topics and application process, please visit: https://kleinlab-statml.github.io/teaching.html. We look forward to hearing from you! Liebe Studierende, Wir freuen uns, offene Masterarbeitsthemen im Bereich Statistik und Deep Learning anzukündigen. Wenn Sie Interesse an innovativer Forschung und einer engen Zusammenarbeit mit unserem Team am SCC haben, laden wir Sie herzlich zur Bewerbung ein. Weitere Informationen zu den verfügbaren Themen und dem Bewerbungsprozess finden Sie hier: https://kleinlab-statml.github.io/teaching.html. Wir freuen uns auf Ihre Rückmeldung! Topics include: * Understanding and implementing predictive information criteria for Bayesian models * Asymptotic behavior of the posterior in overfitted (deep) mixture models * Posterior concentration rates for Bayesian high-dimensional sparse additive models * Uncertainty quantification for deep learning * Using stacking to average distributional regression models * Measuring explained variance in structured additive distributional regression * Comparisons and implementation of non-local shrinkage priors * Approximated Bayesian multivariate spatial factor analysis * Targeted sampling based on epistemic uncertainty for improving predictive performance in DL tasks with costly data acquisition * Uncertainty quantification for complex-valued deep neural networks * Variational inference for distributional regression * Informed shrinkage in Bayesian graphical modeling via external networks * Basis selection in Bayesian semi-parametric regression using increasing shrinkage priors Mit freundlichen Grüßen / Best Regards, Moussa Kassem Sbeyti Research Group Methods for Big Data Karlsruhe Institute of Technology (KIT) Scientific Computing Center (SCC) Zirkel 2, 76131 Karlsruhe, Germany <https://kleinlab-statml.github.io/> https://kleinlab-statml.github.io/ <https://twitter.com/KleinSLab/> https://twitter.com/KleinSLab/ Registered office: Kaiserstraße 12, 76131 Karlsruhe, Germany KIT - The Research University in the Helmholtz Association

1 0

Bachelor- und Masterarbeit im Bereich des autonomen Fahrens am FZI
by Ahmed Abouelazm 03 Dez '24

03 Dez '24

Liebe Studenten für Mathematik/Informatik, Die Forschungsgruppe Technische Kognitive Systeme (TKS) am Forschungszentrum Informatik (FZI) bietet folgende Bachelor-/Masterarbeit im Bereich des autonomen Fahrens an: Adversarial reinforcement learning to increase training data diversity and enhance robustness in critical scenarios: https://karriere.fzi.de/Vacancies/811/Description/1 Die Arbeit wird von Prof. Dr. J. Marius Zöllner betreut. Mit freundlichen Grüßen, Ahmed Abouelazm ………………………………………………… Ahmed Abouelazm Mitarbeiter | Staff Intelligent Systems and Production Engineering FZI Forschungszentrum Informatik Haid-und-Neu-Str. 10–14 76131 Karlsruhe, Germany Tel.: +49 721 9654-388 Abouelazm(a)fzi.de www.fzi.de | www.linkedin.com/company/fzi-official | www.youtube.com/FZIchannel ………………………………………………… FZI Forschungszentrum Informatik Stiftung des bürgerlichen Rechts Stiftung Az: 14-0563.1 Regierungspräsidium Karlsruhe Vorstand: Prof. Dr. Stefan Nickel, Jan Wiesenberger, Prof. Dr.-Ing. J. Marius Zöllner Vorsitzender des Kuratoriums: Prof. Dr. Thomas Hirth …………………………………………………

1 0

Bachelor- und Masterarbeit im Bereich des autonomen Fahrens am FZI
by Ahmed Abouelazm 03 Dez '24

03 Dez '24

Liebe Studenten für Mathematik/Informatik, Die Forschungsgruppe Technische Kognitive Systeme (TKS) am Forschungszentrum Informatik (FZI) bietet folgende Bachelor-/Masterarbeit im Bereich des autonomen Fahrens an: Efficient trajectory forecasting informed by road topology and vehicle constraints: https://karriere.fzi.de/Vacancies/812/Description/1 Die Arbeit wird von Prof. Dr. J. Marius Zöllner betreut. Mit freundlichen Grüßen, Ahmed Abouelazm ………………………………………………… Ahmed Abouelazm Mitarbeiter | Staff Intelligent Systems and Production Engineering FZI Forschungszentrum Informatik Haid-und-Neu-Str. 10–14 76131 Karlsruhe, Germany Tel.: +49 721 9654-388 Abouelazm(a)fzi.de www.fzi.de | www.linkedin.com/company/fzi-official | www.youtube.com/FZIchannel ………………………………………………… FZI Forschungszentrum Informatik Stiftung des bürgerlichen Rechts Stiftung Az: 14-0563.1 Regierungspräsidium Karlsruhe Vorstand: Prof. Dr. Stefan Nickel, Jan Wiesenberger, Prof. Dr.-Ing. J. Marius Zöllner Vorsitzender des Kuratoriums: Prof. Dr. Thomas Hirth …………………………………………………

1 0

2025

2024

Abschlussarbeiten

2025

2024

Abschlussarbeiten ----- 2025 ----- Mai 2025 April 2025 März 2025 Februar 2025 Januar 2025 ----- 2024 ----- Dezember 2024

Abschlussarbeiten