LAVIS (Learning and Visual Systems)

Welcome to the Working Group LAVIS ("Learning and Visual Systems")

LAVIS' mission is smart data: Our expertise covers various aspects of data analysis pipelines, from signal processing over AI to user interaction. Our group is a member of the research focal area Smart Systems for Man and Technology and of the DCSM department at RheinMain University of Applied Sciences .

Prof. Dr. Ralf Dörner Prof. Dr. Ralf Dörner
Computer Graphics
Visualization
Homepage
Prof. Dr. Dirk Krechel Prof. Dr. Dirk Krechel
Content Analytics
Knowledge Management
Homepage
Prof. Dr. Ulrich Schwanecke Prof. Dr. Ulrich Schwanecke
Computer Vision
Mixed Reality
Homepage
Prof. Dr. Adrian Ulges Prof. Dr. Adrian Ulges
Machine Learning
Data Science
Homepage
Prof. Dr. Martin Weier Prof. Dr.-Ing. Martin Weier
Visual Computing
Human Perception
Homepage

Project Highlights

ATRIUM

ATRIUM addresses the real-time simulation and visualization of bulk materials following a new data-based approach based on machine learning instead of physically motivated equations. Using the results from classical calculations, training data is generated and a suitable regression model is developed to train a convolutional predictor. This promises a considerable speed-up, which e.g. facilitates more detailed and realistic visualization.

[more]

DeepWeather

Während numerische Wettermodelle eine mittelfristig gute Prognose großflächiger Trends erlauben, werden aktuelle Verfahren noch in sehr groben Rastern von mehreren km berechnet. In DeepWeather werden moderne KI-Verfahren auf Basis von lokalen Wetterdaten aus dem Internet-of-Things für eine hochaufgelöste Wettervorhersage entwickelt. Der innovative Lösungsansatz besteht dabei in der dynamischen Interpolation bestehender Wettermodelle mittels Regression durch künstliche neuronale Netze.

[more]

Code Buddy

Mit Code Buddy soll ein neuartiges KI-System entstehen, welches für Softwareentwickler die Rolle eines Progammier-Partners einnimmt: Code Buddy empfiehlt automatisch vorhandene Lösungen und adaptiert diese falls geeignet direkt. Unser Forschungsbeitrag besteht in einem neuartigen KI-Ansatz, dessen Training auf großen Datenmengen von Open-Source Code erfolgt. Da keine Daten vorliegen, welche Code-Stellen füreinander relevant sind, wird ein spezieller unüberwachter Ansatz entwickelt, in dem ein neuronales Netz – bestehend aus einer Suchkomponente und einer Generatorkomponente – autonom lernt, zum Füllen von Lücken hilfreiche Code-Passagen zu finden.

[more]