Einer der Forschungsschwerpunkte der L3S im Bereich der künstlichen Intelligenz ist das maschinelle Lernen und Deep Learning.
C
Bedingte Codierung zur lernbasierten Bild- und Videokompression
Dieses Projekt behandelt die lernbasierte Videocodierung mit einem auf Meta-Learning basiertem Verfahren zur Regularisierung und dynamischen Anpassung des Decoders.
G
Green AutoML for Driver Assistance Systems
Ziel des Projekts GreenAutoML4FAS ist es, ein ganzheitliches, kohlenstoffeffizientes System für Fahrerassistenzsysteme zu entwickeln
GLACIATION
GLACIATION zielt darauf ab, die Kohlenstoffemissionen durch die Entwicklung eines verteilten Wissensgraphen zu reduzieren, der die Effizienz der Big-Data-Analyse verbessert.
I
ixAutoML
Automatisches maschinelles Lernen durch Interaktivität und Erklärbarkeit menschengerechter gestalten.
L
Leibniz AI Academy
Entwicklung und Etablierung eines transcurricularen, fächerübergreifenden Mikrostudiengangs "Leibniz AI Academy" an der Leibniz Universität Hannover (LUH).
M
MoToRes
Routenempfehlungen für individuelle Nutzerbedürfnisse, regionale Spezifika und eine optimale Auslastung von Verkehrsmitteln und Attraktionen
O
Online Optimierung
Ziel des Projekts ist die Entwicklung und Untersuchung von Kontrollverfahren auf der Basis konvexer Online-Optimierung (OCO) für allgemeine Kostenfunktionen und Nebenbedingungen, ohne dabei auf restriktive Annahmen angewiesen zu sein.
P
PlanOS
Das PlanOs Projekt dient der Entwicklung von großflächigen Sensornetzwerken in dünnen Polymerfolien zur Dehnungs- und Formmessung mit hoher Effizienz, niedrigen Kosten und hoher Auflösung.
R
ROMEO
Das ROMEO-Projekt zielt darauf ab, die multimodale (kinästhetische und taktile) Informationsintegration für robotervermittelte Fernmanipulation zu verbessern.
Robotics Lab
Das Robot Learning Lab des L3S arbeitet an der Grundlagenforschung zur Entwicklung zunehmend autonomer Assistenzsysteme.
S
SWIFTT
SWIFTT wird Waldbewirtschaftern erschwingliche, einfache und effektive Fernerkundungsinstrumente zur Verfügung stellen, die durch leistungsstarke maschinelle Lernmodelle unterstützt werden. Es wird einen ganzheitlichen Gesundheitsüberwachungsdienst anbieten, um verschiedene Risiken für Wälder und ihre Bewirtschafter zu erkennen und zu kartieren
T
Towards a Framework for Assessing Explanation Quality (TRR 318 INF)
In diesem Projekt untersuchen wir das pragmatische Ziel aller Erklärungsprozesse: erfolgreich zu sein - das heißt, dass die Erklärung die beabsichtigte Form des Verstehens erreicht.
