Aktuelle am IfN ausgeschriebene studentische Arbeiten finden sind in der folgenden Tabelle. Weitere Informationen zu den studentischen Arbeiten sind auf der jeweiligen Seite des Betreuers zu finden.
Titel der studentischen Arbeit | Betreuer | Art der Arbeit |
|---|---|---|
| Akustische Echokompensation durch Gelernte Ziel-Sprecher-Extraktion | Ernst Seidel | Bachelorarbeit, Masterarbeit |
| Anomalieerkennung und Fehlerprädiktion in komplexen Servernetzen | Marvin Klingner | Bachelorarbeit, Masterarbeit |
| Audiovisuelle Sprechertrennung | Marvin Sach | Masterarbeit |
| Clustering von Mess- und Simulationsdaten mit Techniken des Maschinellen Lernens | Christoph Herold | Bachelorarbeit, Masterarbeit |
| Corner Case Detektion für die visuelle Wahrnehmung im autonomen Fahren | Jasmin Breitenstein | Bachelorarbeit, Masterarbeit, Studienarbeit |
| Effiziente Forschungsmethoden für gelernte Störgeräuschunterdrückung | Marvin Sach | Masterarbeit |
| Effiziente Vision Transformer | Björn Möller | Masterarbeit |
| End-to-End audiovisuelle Spracherkennung | Zhengyang Li | Masterarbeit |
| Entwicklung eines Algorithmus zur Mesh-Vernetzung für Point-to-Point THz Kommunikationsstrecken | Bo Kum Jung | Masterarbeit |
| Entwurf, Implementierung und Untersuchung eines Relay-Node Konzeptes für die Link Level Simulation bei 300 GHz | Christoph Herold | Tobias Doeker | Bachelorarbeit, Masterarbeit |
| Erzeugung eines statistischen Kanalmodells für den 300 GHz-Bereich | Christoph Herold | Johannes M. Eckhardt | Bachelorarbeit, Masterarbeit |
| Expert Policy Improvement in End-to-End Autonomous Driving | Mona Mirzaie | Masterarbeit, Studienarbeit |
| Globale und lokale Dispersionsanalyse für Gaußsche Broadcast-Kanäle mit heterogenen Blocklängenbeschränkungen | Marcel Mross | Masterarbeit |
| High-Fidelity Speech Coding with Neural Networks | Renzheng Shi | Masterarbeit |
| Implementierung einer Kalibriermethode durch Mustererkennung für Messungen im Bereich der THz-Kommunikation | Tobias Doeker | Masterarbeit |
| Implementierung und Validierung von Modellen von Hochfrequenzbauteilen in Link Level Simulationen | Christoph Herold | Johannes M. Eckhardt | Bachelorarbeit, Masterarbeit |
| Integration von Materialparametern bei 300 GHz | Christoph Herold | Tobias Doeker | Bachelorarbeit, Masterarbeit |
| KI verstehen - Erweiterte Analyse tiefer adaptiver Filter | Ernst Seidel | Masterarbeit |
| Klassifizierung von Endgeräten im Mobilfunknetz | Michael Schweins | Bachelorarbeit, Masterarbeit |
| Learned speech and audio coding with variable bitrate | Renzheng Shi | Masterarbeit |
| Link-Level-Simulationen für die THz-Kommunikation | Johannes M. Eckhardt | Bachelorarbeit, Masterarbeit |
| Niedrig-latente tiefe adaptive Filter | Ernst Seidel | Masterarbeit |
| Nutzbarmachung referenzfreier Trainingsdaten für akustische Echompensation | Ernst Seidel | Masterarbeit |
| Optimierung eines automatischen Keyword-Erkenners | Timo Lohrenz | Bachelorarbeit, Masterarbeit |
| Tiefenschätzung und semantische Segmentierung aus Videosequenzen | Marvin Klingner | Bachelorarbeit, Masterarbeit |
| Turbo Fusion für die Automatische Spracherkennung | Timo Lohrenz | Bachelorarbeit, Masterarbeit |
| Untersuchung einer Ray-Launching Method zur Optimierung von THz Backhaul basierenden Zellenstandorten | Bo Kum Jung | Masterarbeit |
| Untersuchung von Filter Shapes Index Modulation | Jonas von Beoeczy | Masterarbeit |
| Unüberwachte Domänenanpassung für die semantische Segmentierung | Jan-Aike Termöhlen | Bachelorarbeit, Masterarbeit |
| Von statisch zu zeitvariant: Link Level Simulation mit nicht-statischen Kanälen | Christoph Herold | Johannes M. Eckhardt | Masterarbeit |
Im Video weiter unten zeigen wir das ein Beispiel einer unserer studentischen Abschlussarbeiten, die in Zusammenarbeit mit dem Lions Racing Team der TU Braunschweig durchgeführt wurde.
Bei der Formula Student wird es in Zukunft nicht nur Herausforderungen geben, die von einem Fahrer oder einer Fahrerin bestritten werden müssen, sondern auch solche, die autonom bewältigt werden müssen. Dafür ist es nötig, das Fahrzeug entsprechend zu "trainieren". Die Hütchen, die den Streckenverlauf markieren, müssen genau erkannt werden: blaue und gelbe Hütchen markieren die rechte und linke Streckenbegrenzung, kleine orangene Hütchen die Bremszonen und Große die Start- und Ziellinie. Für die Identifizierung der Hütchen wird ein neuronales Faltungsnetzwerk verwendet. DeS Netzwerk wurde auf ImageNet (ein Datensatz zur Bildklassifikation) vortrainiert und anschließend auf einem 24.000 Bilder umfassenden Datensatz von Verkehrshütchen angepasst. Ohne Optimierungen erreicht das Netzwerk in etwa eine Frequenz von 40Hz. In dem Video ist das trainierte Netzwerk zu sehen, wie es die Streckenmarkierungen bei ungefähr 40 Bildern pro Sekunde erkennt.